第五非平稳序列的随机分析节.ppt

第五章 非平稳序列的随机分析 第五章-前言 第四章非平稳序列的确定性因素分解法的优点：原理简单、操作简单、易于解释，用宏观经济管理与预测领域； 本章结构 差分运算 ARIMA模型 Auto-Regressive模型 异方差的性质 方差齐性变化 条件异方差模型 5.1 差分运算 差分运算的实质 差分方式的选择 过差分 差分运算的实质 差分方法是一种非常简便、有效的确定性信息提取方法 Cramer分解定理在理论上保证了适当阶数的差分一定可以充分提取确定性信息 离散序列的d阶差分相当于连续变量的d阶求导。 差分运算的实质 差分方式的选择 序列蕴含着显著的线性趋势，一阶差分就可以实现趋势平稳； 序列蕴含着曲线趋势，通常低阶（二阶或三阶）差分就可以提取出曲线趋势的影响； 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取周期信息； 例5.1 【例2.1】1964年——1999年中国纱年产量序列蕴含着一个近似线性的递增趋势。 差分前后时序图 原序列时序图 差分后序列时序图 线性趋势序列的1阶差分SAS过程 例5.2 尝试提取1950年——1999年北京市民用车辆拥有量序列的确定性信息 差分后序列时序图 一阶差分 二阶差分 曲线趋势的低阶差分SAS过程 例5.3 差分运算提取1962年1月——1975年12月平均每头奶牛的月产奶量序列中的确定性信息 差分后序列时序图 一阶差分 1阶－12步差分 固定周期序列的差分SAS过程 过差分 足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息； 但过度的差分会造成有用信息的浪费； 例5.4 假设序列如下 考察一阶差分后序列和二阶差分序列的平稳性与方差 比较 一阶差分 平稳 方差小 二阶差分 平稳 方差大 5.1节重点 掌握差分方式选择的三种情况； 结合案例，掌握差分运算的SAS过程； 注意过差分现象。 * * 其缺点：1、只能提取强劲的确定性信息，对随机性信息浪费严重； 2、确定性因素分解法把所有序列的变化归结为三大因素 的综合影响，却无法提供明确、有效的方法判断各大 因素之间确切的作用关系。 本节课内容 一、差分 时间序列{xt}在t时刻的一阶差分定义为： {xt}在t时刻的二阶差分定义为： 一般地，k阶差分定义分： 差分概念： 二、季节差分 设xt为含有周期为S的周期性波动序列，那么一阶季节差分被定义为： 二阶季节差分被定义为： 离散序列的d阶差分相当于连续变量的d阶求导。 差分运算的实质是使用自回归的方式提取确定性信息。 一阶差分为 ，等价于 说明1阶差分实质上是一个自回归过程。 对该序列进行一阶差分运算 考察差分运算对该序列线性趋势信息的提取作用 data a; input year sha; dif=dif(sha); /*一阶差分*/ cards; 数据 ; proc gplot; plot sha*year dif*year; symbol v=star c=red i=join; run; data a; input year x; dif1=dif(x); dif2=dif(dif1); /*二阶差分*/ cards; 数据 ; proc gplot; plot x*year dif1*year dif2*year; symbol v=star c=red i=join; run; data a; input milk@@; time=intnx(month,1jan1962d,_n_-1); format time year4.; dif1=dif(milk); dif1_12=dif12(dif1); /*1阶12步差分*/ cards; 原始数据 ; proc gplot; plot milk*time dif1*time dif1_12*time; symbol v=star c=red i=join; run; 过差分的实质：过多次数的差分导致有效信息的浪费而降低估计精度。