数学建模——时间序列课程方案.ppt

例15续 对中国农业实际国民收入指数序列做为期10年的预测 非平稳时间序列数据分析 疏系数模型 ARIMA p,d,q 模型是指d 阶差分后自相关最高阶数为p，移动平均最高阶数为q 的模型，通常它包含p+q个独立的未知系数： 如果该模型中有部分自相关系数 或部分移动平滑系数 为零，即原模型中有部分系数省缺了，那么该模型称为疏系数模型。 非平稳时间序列数据分析 疏系数模型类型 如果只是自相关部分有省缺系数，那么该疏系数模型可以简记为 为非零自相关系数的阶数 如果只是移动平滑部分有省缺系数，那么该疏系数模型可以简记为 为非零移动平均系数的阶数 如果自相关和移动平滑部分都有省缺，可以简记为 非平稳时间序列数据分析 例16 对1917年－1975年美国23岁妇女每万人生育 率序列建模 非平稳时间序列数据分析 一阶差分 非平稳时间序列数据分析 自相关图 非平稳时间序列数据分析 偏自相关图 非平稳时间序列数据分析 建 模 定阶 ARIMA 1,4 ,1,0 参数估计 模型检验 模型显著 参数显著 非平稳时间序列数据分析 季节模型 简单季节模型 乘积季节模型 非平稳时间序列数据分析 简单季节模型 简单季节模型是指序列中的季节效应和其它效应之间是加法关系 简单季节模型通过简单的趋势差分、季节差分之后序列即可转化为平稳，它的模型结构通常如下 非平稳时间序列数据分析 例17 拟合1962—1991年德国工人季度失业率序列 非平稳时间序列数据分析 差分平稳 对原序列作一阶差分消除趋势，再作4步差分消除季节效应的影响，差分后序列的时序图如下 非平稳时间序列数据分析 白噪声检验 延迟阶数 统计量 P值 6 43.84 0.0001 12 51.71 0.0001 18 54.48 0.0001 非平稳时间序列数据分析 差分后序列自相关图 非平稳时间序列数据分析 差分后序列偏自相关图 非平稳时间序列数据分析 模型拟合 定阶 ARIMA 1,4 , 1,4 ,0 参数估计 非平稳时间序列数据分析 模型检验 残差白噪声检验 参数显著性检验 延迟 阶数 统计量 P值 待估 参数 统计量 P值 6 2.09 0.7191 3.48 0.0001 12 10.99 0.3584 -3.41 0.0001 非平稳时间序列数据分析 拟合效果图 非平稳时间序列数据分析 乘积季节模型 使用场合 序列的季节效应、长期趋势效应和随机波动之间有着复杂地相互关联性，简单的季节模型不能充分地提取其中的相关关系 构造原理 短期相关性用低阶ARMA p,q 模型提取 季节相关性用以周期步长S为单位的ARMA P,Q 模型提取 假设短期相关和季节效应之间具有乘积关系，模型结构如下 非平稳时间序列数据分析 例18 拟合1948——1981年美国女性月度失业率序列 非平稳时间序列数据分析 差分平稳 一阶、12步差分 非平稳时间序列数据分析 差分后序列自相关图 非平稳时间序列数据分析 差分后序列偏自相关图 非平稳时间序列数据分析 简单季节模型拟合结果 延迟阶数 拟合模型残差白噪声检验 AR 1,12 MA 1,2,12 ARMA 1,12 , 1,12 值 P值 值 P值 值 P值 6 14.58 0.0057 9.5 0.0233 13.77 0.0004 12 16.42 0.0883 14.19 0.1158 17.99 0.0213 结果 拟合模型均不显著 非平稳时间序列数据分析 平稳时间序列数据分析 3.模型识别 BIC最小信息值为1.960692，根据BIC最小信息准则，选择MA 1 模型是相对最优的 平稳时间序列数据分析 4.拟合模型 data a; input factory @@; time _n_; cards; /*数据省略*/ ; proc gplot; plot factory*time; symbol v diamond i join c blue; proc arima data a; identify var factory; estimate q 1 method ml; run; 平稳时间序列数据分析 4.拟合模型 可知模型为： MA模型: 平稳时间序列数据分析 5.显著性检验 由于各延迟阶数下LB统计量的P值都显著大于0.05，可以认为这个拟合模型的残差序列属于白噪声序列，根据模型检验的判别原则，得出该拟合模型显著有效。 平稳时间序列数据分析 5.显著性检验 看到对两个参数的检验t统计量的P值均小于 0.0001，则两参数检验均显著，则每一个未知参数显著非零，该模型结构已经是最精简，不需