运用极值理论挖掘时间序列模型中异常点.pdfVIP

1 运用极值理论挖掘时间序列模型中的异常点 * 田玉柱 （东南大学数学系 南京 211189） 摘要:用检验的方法诊断时间序列异常点的关键就是决定检验统计量在一定的显著性水平 下是否超越某一临界值，临界值究竟怎样选取，一般文献都描述的很模糊。本文将基 于极值理论给出诊断 AR(p)模型的异常点选取临界值的分布近似方法，这种方法选取 的临界值可保证控制在一定的显著性水平下，而且还可以计算出检验的渐近p 值，比 一般仿真选取的临界值更科学合理。 关键词：AR(p)模型;Gumbel分布;异常点;IO;AO OutlierDetectionInTimeSeriesBasedOn ExtremeValueTheory YuzhuTian (DepartmentofMathematics,SoutheastUniversity.NANJING211189China) Abstract:Thedetectionofoutliersintimeserieshingesondeterminingwhether theteststatisticexceedsacriticalvalueforagivensignificancelevel.Then, howtochoosethisvalue?Itisprescribedonlyvaguelybymanyauthorswithno referencetoanysignificancelevel.Thispaperwillgiveoutanasymptoticcritical valueinafixedsignificancelevelandanasymptoticp-valuefortestingbymeans ofextremevaluetheoryinordertodetectoutliersinAR(p)model.Thismethodis priortothesimulationandseemstobemorescientific. Keywords:AR(p)model;Gumbeldistribution;Outlier;IO;AO 1引言 随着现代信息技术的日新月异,人们在收集、存储、分析、处理时间序列数据的能力已 迅速提高，而且在对大量的时间序列处理的过程中，日益发现了时间序列异常点的重要性。 时间序列中观测数据的异常点可能是由于观测误差、人为记录的错误或者罢工、突发性政治 或经济变化、物理系统的突变等因素的干扰所引起，这些因素会造成虚假的结果，导致观测 出现异常。研究表明异常点对标准的时间序列分析有着严重的影响。Box、Renkins、 [1] Reinsel(1994)指出异常点对时间序列的模型识别、参数估计、诊断检验甚至预测都有重 要的影响，因此异常点诊断对时间序列分析而言意义重大。传统的时间序列分析中，异常点 常被认为是噪声数据或无用数据而加以排除。但是近年来，人们已经认识到异常点中可能蕴 *田玉柱：男，1982 年出生，东南大学在读硕士，主要研究方向为金融与工程时间序列分析及统计应用 E--mail ：pole1999@163.com 1 藏着大量有用的信息，这些信息在实际应用中有着重要的参考和应用价值，如商业领域的客 户流失、网络安全领域的入侵检测、医学中特殊病情的征兆、信用卡诈骗等。自从1972年 A.J-Box在时间序列中定义了异常点以来,对时间序列异常点诊断的国内外已有了大量的研 [2] [3] [4] [5] 究文献,如Fox(1972),Abraham和Box(1979),Chang等(1988),Chen和Liu(1993),Chen