高级数据库期末课程论文-AR模型拟合.docVIP

20112212412 郭伟震 计本一班 AR（自回归）模型拟合 一 算法基本原理 自回归模型（英语：Autoregressive model，简称AR模型），是统计上一种处理时间序列的方法，用同一变量例如x的之前各期，亦即x_{1}至x_{t-1}来预测本期x_{t}的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测x（自己）；所以叫做自回归。 其中：是常数项；被假设为平均数等于0，标准差等于的随机误差值；被假设为对于任何的都不变。 文字叙述为：的当期值等于一个或数个落后期的线性组合，加常数项，加随机误差。 算法 如果时间序列 是平稳AR序列，根据此序列的一段有限样本值 对 的模型进行统计，称为自回归模型拟合 自回归模型拟合主要包括： (1) 判断自回归模型AR的阶数； (2) 估计模型的参数； (3) 对拟合模型进行检验。 1.AR(p)模型的参数估计 目的：为观测数据建立AR(p)模型 (1.1) 假定自回归阶数p已知，考虑回归系数 和零均值白噪声的方差的估计。 数据的预处理：如果样本均值不为零，需将它们中心化，即将它们都同时减去其样本均值，再对序列按(1.1)式的拟合方法进行拟合。 对于AR(p)模型，自回归系数由AR(p)序列的自协方差函数 通过Yule-Walker方程 唯一决定，白噪声方差 由决定。 实际应用中，对于较大的p,为了加快计算速度可采用如下的Levison递推方法 递推最后得到矩估计 上式是由求偏相关函数的公式： 导出。 2. AR(p)模型参数的最小二乘估计 如果 是自回归系数 的估计，白噪声 的估计计定义为 通常为残差。 我们把能使 达到极小值的 称为的最小二乘估计。 相应地，白噪声方差 的最小二乘估计 式中为的p个分量。 3. AR(p)模型的定阶 偏相关函数的分析方法： 一个平稳序列是AR(p)序列当且仅当它的偏相关函数是p步截尾的。 如果 p步截尾：当 时， ； 而 ，就以作为p的估计。 4.拟合模型的检验 现有数据 ，欲判断它们是否符合以下模型 式中 被假定为独立序列,且 与 独立。 原假设 ：数据符合AR(p)。故在 成立时，下列序列 为独立序列 的一段样本值序列。 步骤： 1. 首先，根据公式 计算出残差的样本自相关函数， 2. 利用上一章关于独立序列的判别方法，判断 是否为独立序列的样本值 3. 根据判断结果，如果接受它们为独立序列的样本值，则接受原假设，即接受符合AR(p),否则，应当考虑采用新的模型拟合原始数据序列。 三、算法实例与讲解 下表为某地历年税收数据（单位亿元）使用）为科学 年份 1 2 3 4 5 6 7 税收 15.2 15.9 18.7 22.4 26.9 28.3 30.5 年份 8 9 10 11 12 13 14 税收 33.8 40.4 50.7 58 66.7 81.2 83.4 讲解 因为税收具有一定的稳定性和增长性，且因此 下面为使用MATLAB 建立模型并求解过程 clc, clear a=[15.2 15.9 18.7 22.4 26.9 28.3 30.5 33.8 40.4 50.7 58 66.7 81.2 83.4]; a=a; a=a(:); a=a; %把原始数据按照时间顺序展开成一个行向量 Rt=tiedrank(a) %求原始时间序列的秩 n=length(a); t=1:n; Qs=1-6/(n*(n^2-1))*sum((t-Rt).^2) %计算Qs的值 t=Qs*sqrt(n-2)/sqrt(1-Qs^2) %计算T统计量的值 t_0=tinv(0.975,n-2) %计算上alpha/2分位数 e=[1:13]; b=diff(a) %求原始时间序列的一阶差分 % plot(e,b,*); m=ar(b,2,ls) %利用最小二乘法估计模型的参数 bhat=predict(m,[b; 0],1) %1步预测，样本数据必须为列向量,要预测1个值，b后要加1个任意数，1步预测数据使用到t-1步的数据 ahat=[a(1),a+bhat{1}] %求原始数据的预测值，并计算t=15的预测值 delta=abs((ahat(1:end-1)-a)./a) %计算原始数据预测的相对误差 plot(a,b); hold on plot(ahat,r); grid on title