第7讲 时间序列分析.ppt

称 为灰色微分方程 的白化方程，也叫影子方程。 综上所述，有 白化方程 的解也称 时间响应函数为 7.4 灰色系统预测 2.GM(1,1)灰色微分方程 的时间响应序列为 3. 于是有 7.4 灰色系统预测 4.还原值 上式即为预测方程。 GM(1,1)模型的检验分为三个方面： 残差检验； 关联度检验； 后验差检验。 7.4 灰色系统预测 后验差检验判别参照表 C 模型精度 0.35 优 0.5 合格 0.65 勉强合格 0.65 不合格 其中 残差序列均方差 原序列均方差 7.4 灰色系统预测 7.4 灰色系统预测 7.4 灰色系统预测 7.4 灰色系统预测 7.4 灰色系统预测 7.4 灰色系统预测 7.4 灰色系统预测 function gm(x); %定义函数gm(x) clc; %清屏,以使计算结果独立显示 format long; %设置计算精度 if length(x(:,1))==1 %对输入矩阵进行判断,如不是一维列矩阵,进行转置变换 x=x; end; n=length(x); %取输入数据的样本量 z=0; for i=1:n %计算累加值,并将值赋与矩阵be z=z+x(i,:); be(i,:)=z; end 7.4 灰色系统预测 for i=2:n %对原始数列平行移位 y(i-1,:)=x(i,:); end for i=1:n-1 %计算数据矩阵B的第一列数据 c(i,:)=-0.5*(be(i,:)+be(i+1,:)); end for j=1:n-1 %计算数据矩阵B的第二列数据 e(j,:)=1; end for i=1:n-1 %构造数据矩阵B B(i,1)=c(i,:); B(i,2)=e(i,:); end 7.4 灰色系统预测 alpha=inv(B.*B)*B.*y; %计算参数α、μ矩阵 for i=1:n+1 %计算数据估计值的累加数列,如改n+1为n+m可预测后m-1个值 ago(i,:)=(x(1,:)-alpha(2,:)/alpha(1,:))*exp(-alpha(1,:)*(i-1))+alpha(2,:)/alpha(1,:); end var(1,:)=ago(1,:) for i=1:n %如改n为n+m-1,可预测后m-1个值 var(i+1,:)=ago(i+1,:)-ago(i,:); %估计值的累加数列的还原,并计算出下一预测值 end 7.4 灰色系统预测 for i=1:n error(i,:)=var(i,:)-x(i,:); %计算残差 end c=std(error)/std(x); %调用统计工具箱的标准差函数计算后验差的比值c ago %显示输出预测值的累加数列 alpha %显示输出参数α、μ数列 var %显示输出预测值 error %显示输出误差 c %显示后验差的比值c 7.4 灰色系统预测 敲击“Enter”键就可以得出结果 x=[19519,19578,19637,19695,16602,25723,30379,34473,38485,40514,42400,48337];gm(x) 7.4 灰色系统预测 * 偏自相关图 7.3 非平稳时间序列分析 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 7.3 非平稳时间序列分析 季节模型 简单季节模型 乘积季节模型 7.3 非平稳时间序列分析 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 7.3 非平稳时间序列分析 例17 拟合1962—1991年德国工人季度失业率序列 7.3 非平稳时间序列分析 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 7.3 非平稳时间序列分析 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 0.0