《应用时间序列分析》何书元 编著北京大学出版社教案.ppt

概率统计学科中的一个分支，具有非常广泛的 应用领域(数据以时间序列的形式出现）： 金融经济 气象水文 信号处理 机械振动 ………… 目的：描述、解释、预测、控制 本书主要介绍时间序列（线性平稳序列）的基本知识、常用的建模和预测方法 国际航空公司月旅客数 参考书： 时间序列的理论与方法 田铮 译 深入学习 Nonlinear Time Series: Nonparametric and Parametric Methods Jianqing Fan Qiwei Yao SPRINGER Matlab软件 / 教师介绍 统计学研究所 王秀云 课件下载 目 录 第一章 时间序列 第二章 自回归模型 第三章 滑动平均模型与自回归滑动平均模型 第四章 均值和自协方差函数的估计 第五章 时间序列的预报 第六章 ARMA模型的参数估计 第一章 时间序列 时间序列、平稳序列 线性平稳序列、平稳序列的谱函数 § 1.1 时间序列的分解 最早的时间序列分析可以追溯到7000年前的古埃及。 古埃及人把尼罗河涨落的情况逐天记录下来，就构成所谓的时间序列。对这个时间序列长期的观察使他们发现尼罗河的涨落非常有规律。由于掌握了尼罗河泛滥的规律，使得古埃及的农业迅速发展，从而创建了埃及灿烂的史前文明。 按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 例1 德国业余天文学家施瓦尔发现太阳黑子的活动具有11年左右的周期 Wolfer记录的300年的太阳黑子数 例2 国际航空公司月旅客数 某上市公司的周走势图 例3 1790-1980年间每10年的美国人口总数 例4 1985至2000年广州月平均气温 例5（见教材） 北京地区洪涝灾害数据 例5 虚线是成灾面积 图 一、时间序列的定义 时间序列:按时间次序排列的随机变量序列 个观测样本:随机序列的 个有序观测值 称序列 是时间序列(1.1)的一次实现或一条轨道 二、时间序列的分解 时间序列的典型模型 趋势项 、季节项 、随机项 注：1. 单周期s季节项，则 此时在模型中可要求 2. 随机项，可设 三、分解方法 例图 分解一般步骤 1. 趋势项估计 分段趋势 线性回归拟合直线 二次曲线回归 滑动平均估计 2. 估计趋势项后,所得数据 由季节项和随机项组成, 季节项估计 可由该数据的每个季节平均而得. 3. 随机项估计即为 方法一：分段趋势法 一、分段趋势图(年平均) 趋势项估计为 二、减去趋势项后,所得数据 消取趋势项后图 三、季节项和随机项 1.季节项估计 2.随机项的估计 方法二：回归直线法 一、趋势项估计 一元线性回归模型 最小二乘估计为 可得到 数据和直线趋势项 估计趋势项后,所得数据 （1.0e+003 *） 1.0764 -0.4802 -0.9979 0.5542 0.9258 -0.3789 -1.1878 0.4509 0.6572 -0.3406 -1.3462 0.4026 1.0654 -0.5541 -1.1190 0.5118 1.2611 -0.3112 -1.1988 0.5580 1.2365 -0.2964 -1.0817 0.5884 二、季节项估计 为 1.0e+003 * 1.0371 -0.3936 -1.1552 0.5110 1.0371 -0.3936 -1.1552 0.5110 1.0371 -0.3936 -1.1552 0.5110 1.0371 -0.3936 -1.1552 0.5110 1.0371 -0.3936 -1.1552 0.5110 1.0371 -0.3936 -1.1552 0.5110 随机项估计为 方法三： 二次曲线法 数据和二次趋势项估计 二次项估计 季节项 1.0e+003 * 1.0283 -0.4002 -1.1630 0.4989 1.0283 -0.4002 -1.1630 0.4989 1.0283 -0.4002 -1.1630 0.4989 1.02