时间序列分析01-第一章.pptVIP

时间序列分析 第一章 绪论 1.1时间序列分析的重要性 人们的一切活动，其根本目的无不在于认识和改造客观世界。时间序列分析不仅可以从数量上揭示某一现象的发展变化规律或从动态的角度刻划某一现象和其他现象之间的内在数量关系及其变化规律性，达到认识客观世界的目的。而且运用时间序列模型还可以预测和控制现象的未来行为，修正或重新设计系统以达到利用和改造客观之目的。 从统计学的内容来看，统计所研究和处理的是一批有“实际背景”的数据，尽管数据的背景和类型各不相同，但从数据的形成来看，无非是横剖面数据和纵剖面数据两类（或者叫做静态数据和动态数据）。横剖面数据是由若干相关现象在某一时点上所处的状态组成的，它反映一定时间、地点等客观条件下诸相关现象之间存在的内在数值联系。研究这种数据结构的统计方法是多元统计分析。纵剖面数据是由某一现象或若干现象在不同时刻上的状态所形成的数据，它反映的是现象以及现象之间关系的发展变化规律性。研究这种数据的统计方法就是时间序列分析。就足以看出时间序列分析的重要性及其应用的广泛性。 1.2时间序列分析与随机过程理论的区别 时间序列分析是概率统计学科的一个分支，它是运用概率统计的理论和方法来分析随机数据序列（或称动态数据序列），并对其建立数学模型，进行参数估计，对模型定阶，以及进一步应用于预报、预测、自适应控制，最佳滤波等诸多方面。 时间序列分析方法与随机过程理论有所区别，前者是先对实测数据建立数学模型，并在此基础上进一步分析随机数据的统计特性；后者是在对实测数据统计所得的先验概率知识基础上来分析其统计特性。由于人们所能获得的实测数据总是有限的，而理论上的先验概率要求在无限多的样本数据基础上统计才能获得。因此实际上我们能够获得的先验概率只能是在一定置信度条件下的近似，亦即尽量接近真实的概率（密度）分布，这是随机过程理论和方法在实际应用时的困难。时间序列分析方法可以克服这一困难，它是在有限个样本数据总量的情况下建立起相当精确的数学模型，从而获得具有一定精度（用模型误差方差来表示）的统计特性，与真实结果非常接近，因此在实际应用时比较方便，可操作性较好。 有人将随机过程称为大样本理论，它是用多维概率分布来描述动态数据，因为多维概率分布是要建立在无限多样本数据的统计基础上，因此称为大样本理论。时间序列分析则可以从有限的样本数据中拟合成具有一定精度的时间序列模型，因此它又可称为小样本理论。 总之，随机过程分析方法在理论上严谨求实，但操作性较差；而时间序列分析方法在使用时方便实用，但是，要想建立精度相当高的时序模型不仅要求模型参数最佳地估计，而且模型阶数也要合适，因此建模过程也是相当复杂的。这两种对随机数据序列的分析方法都有各自的研究和应用领域，应视不同的分析对象和要求而定。 1.3 时间序列分析方法的起源与发展 时间序列分析方法最早起源于1927年，数学家耶尔（Yule）提出建立自回归（AR）模型来预测市场变化的规律。接着，在1931年，另一位数学家瓦尔格（Walker）在AR模型的启发下，建立了滑动平均（MA）模型和自回归、滑动平均（ARMA）混合模型，初步奠定了时间序列分析方法的基础，当时主要应用在经济分析和市场预测领域。20世纪60年代，时间序列分析理论和方法迈入了一个新的阶段，伯格（Burg）在分析地震信号时最早提出最大熵谱（MES）估计理论，后来有人证明AR模型的功率谱估计与最大熵谱估计是等效的，并称之为现代谱估计。它克服了用传统的傅里叶功率谱分析（又称经典谱分析）所带来的分辨率不高和频率漏泄严重等固有的缺点，从而使时间序列分析方法不仅在时间域内得到应用，而且扩展到频率域内，得到更加广泛的应用，特别是在各种工程领域内应用功率谱的概念更加方便和普通。到20世纪70年代以后，随着信号处理技术的发展，时间序列分析方法不仅在理论上更趋完善，尤其是在参数估计算法、定阶方法及建模过程等方面都得到了许多改进，进一步地迈向实用化，各种时间序列分析软件也不断涌现，逐渐成为分析随机数据序列不可缺少的有效工具之一。 1.4 时间序列分析的应用领域 随着时间序列分析方法的日趋成熟，其应用领域越来越广泛，主要集中在预报预测领域，例如气象预报、市场预测、地震预报、人口预测、汛情预报、产量预测等等。另一个应用领域是精密测控，例如精密仪器测量、精密机械制造、航空航天轨道跟踪和监控，以及遥控遥测、精细化工控制等。再一个应用领域是安全检测和质量控制。在工程施工和维修中经常会出现异常险情，采用仪表监测和时间序列分析方法可以随时发现问题，及早排除故障，以保证生产安全和质量要求。以上仅仅列举了某些应用领域，实际上还有许多应用，不胜枚举。 * *