预测与决策教程 教学课件 作者 李华 Chap5-随机型时间序列预测方法.pptVIP

5.5.2 模型的预报 且 ，预测未来3期序列值的95%的置信区间。 例17： 已知ARMA(1, 1)模型为 5.5.2 模型的预报 首先计算未来3期预测值 计算模型的格林函数为 5.5.2 模型的预报 计算预测方差 预测时期 95%的置信区间 101 102 103 （0.136，0.332） （0.087，0.287） （-0.049，0.251） 计算 得到未来3期序列值的95%的置信区间 5.5.2 模型的预报 例18：已知某超市月销售额近似服从AR(2)模型（单位：万元/每月） 今年第一季度该超市月销售额分别为： 101，96，97.2万元 请确定该超市第二季度每月销售额的95％的置信区间 5.5.2 模型的预报 解：预测值计算 四月份 五月份 六月份 5.5.2 模型的预报 预测方差的计算 GREEN函数 方差 5.5.2 模型的预报 置信区间 公式 预测时期 95％置信区间 四月份 （85.36，108.88） 五月份 （83.72，111.15） 六月份 （81.84，113.35） 估计结果 5.5.2 模型的预报 5.6 平稳时间序列举例 随机型时间序列预测技术建立预测模型的过程可以分为四个阶段： 第一阶段：根据建模的目的和理论分析，确定模型的基本形式。 第二阶段：进行模型识别，即从一大类模型中选择出一类试验模型。 第三阶段：将所选择的模型应用于所取得的历史数据，求得模型的参数。 第四阶段：检验得到的模型是否合适。若合适，则可以用于预测或控制；若不合适，则返回到第二阶段重新选择模型。 例19：卡车生产日平均故障数---平稳时间序列特例 该例主要说明进行时间序列分析的建模流程。如右图所示： 下表是在卡车生产车间装配线末端检验出的每辆卡车的平均故障数。数据包含了从11月4日到1月10日45个工作日的连续观测，出自Burr的报告（1976，p.134）。 1.2 1.5 1.54 2.7 1.95 2.4 3.44 2.83 1.76 2 2.09 1.89 1.8 1.25 1.58 2.25 2.5 2.05 1.46 1.54 1.42 1.57 1.4 1.51 1.08 1.27 1.18 1.39 1.42 2.08 1.85 1.82 2.07 2.32 1.23 2.91 1.77 1.61 1.25 1.15 1.37 1.79 1.68 1.78 1.84 　 　 　 　 　 　 　 表1 卡车故障的日平均数 5.6 平稳时间序列举例 第一步：确定基本模型形式 （1）数据预处理。原始数据如表1所示，通过对数据进行分析，发现这些数据没有明显的周期性变化趋势，因此仅进行了零均值化处理。后面所涉及序列{ }均为零均值处理后序列。 （2）运行SPSS13.0导入数据，如图1所示。 （3）作时间序列图（图2）及自相关与偏相关函数图（图3），以检验序列的平稳性和周期性。 图1 数据导入 图2 时间序列 5.6 平稳时间序列举例 由图2可知，数据序列满足平稳性条件，即个体值要围绕序列均值上下波动，没有明显的上升或下降趋势。 由图3可知，序列的自相关函数在延迟1阶后迅速落入置信区间，即显示出序列的自相关函数具有明显的短期相关性，从另一方面验证了序列的平稳性。 图3 样本ACF和PACF 5.6 平稳时间序列举例 （4）纯随机性检验：利用LB统计量对序列进行纯随机性检验。由表2的Box-Ljung Statistic 中的大部分 可知，即能以95%的把握拒绝序列纯随机的原假设。因而可以认为该序列不属于纯随机波动，还蕴含着值得提取的信息，可以用来建立模型。 表2 序列纯随机性检验 5.6 平稳时间序列举例 （5）由序列的自相关函数与偏相关函数的图，确定基本模型形式。 由图3可知，样本ACF指数衰减，而样本PACF一步截尾。据此可以判断该序列可用AR (p)模型进行拟合，且初步确定p=1。 第二步：模型识别 （1）通过参数估计的方法初步确定具体的p、d及q的值。 p AIC BIC 1 62.108 65.721 2 63.752 69.172 3 65.831 73.058 表3 AIC与BIC比较表 由模型选择的AIC和BIC准则，通过比较表3中各个p值对应的AIC和BIC值可确定p=1。 （2）通过对各个模型参数的显著性及残差白噪声检验，进一步识别模型。由表4可知，当p=1时模型参数显著且残差通过白噪声检验。故可将AR(1)作为最终拟合模型。 p 参数