时间序列分析01-第一章(简).pptVIP

时间序列分析 第一章 绪论 1.1时间序列分析的重要性 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）。 研究横剖面数据的统计方法是多元统计分析。 研究纵剖面数据的统计方法就是时间序列分析。 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。 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。 1.3 时间序列分析方法的起源与发展 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; 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; 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。 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。 1.4 时间序列分析的应用领域 预报预测领域 精密测控 安全检测和质量控制 * *