数学建模——时间序列分析.ppt

时间序列分析;7000年前的古埃及人把 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。;引例;时间序列：某一系统在不同的时间（地点或其他条件等）的响应（数据）。 时间序列是按一定的顺序排列而成，“一定顺序”既可以是时间顺序，也可以是具有不同意义的物理量。 如：研究高度与气压的关系，这里的高度就可以看作“时间” 总而言之，时间序列只是强调顺序的重要性，因此又被称为“纵向数据”，相对于“横向数据”而言的。;时间序列数据的预处理 平稳性检验 纯随机性检验 平稳时间序列数据分析 非平稳时间序列数据分析 ;时间序列数据的预处理;概率分布的意义 随机变量族的统计特性完全由它们的联合分布函数或联合密度函数决定 时间序列概率分布族的定义 几个重要数字特征：均值 、方差、自协方差、自相关系数;特征统计量;1.2 平稳时间序列的定义;满足如下条件的序列称为宽平稳序列 ;常数均值和方差 自协方差函数和自相关函数只依赖于时间的平移长度，而与时间的起止点无关 延迟k自协方差函数 延迟k自相关系数;平稳时间序列的意义 ;平稳性检验主要有两种方法： 根据时序图和自相关图显示的特征做出判断的图检验方法 构造检验统计量进行假设检验的方法。;时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征。 自相关图检验 平稳序列通常具有短期相关性。该性质用自相关系数来描述就是随着延迟期数的增加，平稳序列的自相关系数会很快地衰减向零。;例1 检验1964年——1999年中国纱年产量序列的平稳性 例2 检验1962年1月——1975年12月平均每头奶牛月产奶量序列的平稳性 例3 检验1949年——1998年北京市每年最高气温序列的平稳性;例1 平稳性检验;平稳性检验;平稳性检验;例2 自相关图;例3 时序图;例3 自相关图;时间序列数据的预处理;时间序列数据的预处理;时间序列数据的预处理;时间序列数据的预处理;时间序列数据的预处理;data a;input sha@@; year=intnx(year,1964,_n_-1);format year year4.; dif=dif(sha); cards; 97 130 156.5 135.2 137.7 180.5 205.2 190 188.6 196.7 180.3 210.8 196 223 238.2 263.5 292.6 317 335.4 327 321.9 353.5 397.8 436.8 465.7 476.7 462.6 460.8 501.8 501.5 489.5 542.3 512.2 559.8 542 567 ; proc gplot;plot sha*year=1 dif*year=2; symbol1 v=circle i=join c=black; symbol2 v=star i=join c=red; proc arima data=a;identify var=sha nlag=22; run;;时间序列数据的预处理;时间序列数据的预处理;纯随机序列的定义 纯随机性的性质 纯随机性检验;3.1 纯随机序列的定义;标准正态白噪声序列时序图 ;3.2 白噪声序列的性质 ;3.3 纯随机性检验 ;Barlett定理 ;假设条件;检验统计量;判别原则;样本自相关图;检验结果;数据预处理部分的小结： 序列平稳性与纯随机性检验的基本步骤： 1. 绘制该序列时序图； 2. 自相关图检验； 3. 该序列若是平稳序列，进行纯随机性检验. 实例： 对1950年—1998年北京市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验。 ;时间序列数据的预处理;时间序列数据的预处理;时间序列数据的预处理;时间序列数据的预处理;结论： 由于统计量的P值0.0001，远远小于 0.05，即拒绝序列为纯随机序列的假定。因而认为京市城乡居民定期储蓄所占比例的变动不属于纯随机波动，各序列值之间有相关关系。 这说明我们可以根据历史信息预测未来年份的北京市城乡居民定期储蓄所占比例，该平稳序列属于非白噪声序列，可以对其继续进行研究。 ;平稳时间序列数据分析 方法性工具与两种相关系数 自回归(AutoRegression, AR)模型 移动平均(Moving Average, MA)模型 ARMA模型 平稳序列建模 ;1.1 方