時間序列分析與預測.doc

時間序列分析與預測 生物現象的觀察值，有時常依時間的變化而發生一系列有規則的變化，此種對 1.對數列未來趨勢作預測。 2.將數列分解成主要趨勢成份(Trend Components)，季節變化成份(Seasonal Components)。 3.對理論性模式與數據進行適合度檢定，以討論模式是否能正確地表示所觀測之現象，如一些常見的經濟模式。 大部分的數列分析法都先假設其數列存在著某種數學結構之排序，然後在此結構下延伸推導出分析結果來。一數列常是被假設為平穩型(Stationary)，或者是透過某些的方法使其平穩，最常用的方法是對資料差分(Differencing)。在探討統計模式是否合適之前首要工作即是先診斷數列的性質是否符合所使用方法的假設前提，然而欲檢查一數列是否符合時間數列分析法的假設前提是一項艱難的工作。因此實務分析時經常以圖形或以某些統計量對數列的基本性質做初步比的判斷。 在經濟及商業方面，有許多應用時間數列分析法的實際例子，如國民生產毛額(GNP)，失業率與股價。而我們所關心的主題是去了解數列的行為，不僅只是數列本身與過去的自我相關,還包括與其他數列的相關程度。這些數列最重要共同特徵即是它們是很少重覆出現。一般可利用隨機變數建構時間數列,但是在時間數列的情況這些變量卻僅能觀測一次，這是與其他統計分析法所不同的地方。 經濟與商業時間數列的另一項難題是數列的結構常因政策變動或偶發事件而改變。配合過去對時間數列的經驗，有大量的文獻探討時間數列的理論觀點。在1940年代由Norbort Wiener 和 Andrei Kolmogorov 提出平穩型時間數列的基本理論，而目前時間數列模式的推論過程也已轉換成較具實務性課題方面的應用，對此項轉變有重要貢獻的學者有Whittle, Quenuille, Rosenblatt, Parzen, Hannan, Box, Grenander, Rozanov, Granger, Tiao,...等。 於60與70年代，一份工程文獻提出了新的時間數列的技巧，著名的學者為Kalman Kailath, Lennart Ljung 和B.D.O. Anderson 他們所強調時間數列分析法的技巧與統計學家及經濟學家略有不同。由於工程學的研究資料經常是龐大的，所以他們對於過濾法(Filting)、平滑法(Smoothing), 計算法(Algorithm) 的發展感到興趣。另方面，統計學家則是花了許多心思在模式的建構，參數的估計和資料的適合度檢定，其在推導的過程中僅需要適中的觀測值個數，而不像工程學般的龐大。 自此應用時間序列分析法分成二支，第一種是著重於時間數列的光譜密度(Spectral Density) 及頻率範疇分解(Frequency Domain Decomposition) 的頻率範疇法(Frequency Domain Approach) 這是一門運用無母數的時間數列分析方法，常應用於自然科學方面，如工程學和物理學，但在經濟學方面也開始受到重視。由頻率定義分析所得的結果常被視為系統中基本的變動。 第二種時間數列分析法則是利用數列的參數模式(Parametric Modeling)的ARIMA (Autoregressive Integrated Moving Average) 模式及較為複雜的多變數 ARMA 模式，而ARMA模式則包含二個重要的子模式AR(Autoregressive)和MA(Moving Average)模式。 當利用ARMA模式對一平穩型數列建模時，即是利用其參數的結構來描述資料的記憶型態。此法則是能讓我們在建模時僅需利用有限個參數，而相較於無母數的光譜密度法來說可使參數的估計更合理可行，且需要的觀測值個數也較少。而利用參數建模時更提供一種由過去資料預測數列未來趨勢的實用方法。 此外可利用差分及過濾法對非平穩型(Nonstationary)數列建模。在時間數列建模時最重要的觀念即是如何利用過去的資料來判定一個變量的未來走向及不同變量間同期(Concurrent)或前後期(Lead-Lag)之關聯性。 相較於過去傳統的Box 和Jenkins 單變數時間數列模型，近來已有許多學者對多變數時間數列模型進行研究，例如 Box 和 Tiao (1982) 及 Tiao 和 Tsay (1983)。 多變數時間分析法的研究因應了兩種目的，第一是加入另一個相關的數列後更能解釋過去僅由單變數建模的不足之處，另一個目的則是經由分析一個時間數列與另一個時間數列的關係籍以獲得數列間的相關訊息，更增進對整體系統的了解。 近十五年來在非線性及多變數時間數列分析法的領域中有許多新的進展，較為重要的研究課題包含ARCH Models, Threshold AR Model,