时间序列分析第五章.pptx

第五章 非平稳序列的随机分析非平稳时间序列确定性分析优点：原理简单，操作简便，易于解释缺点：只能提取教强劲的确定性信息，对随机信息浪费严重；把所有序列都归为四大因素的综合影响，无法提供明确有效的方法判断各因素之间的关系拟合精度不够理想非平稳时间序列随机分析弥补确定性分析的不足，提供更为精准的分析工具4.6.5.2.1.3.条件异方差模型方差齐性变换异方差的性质差分运算Auto-Regressive模型ARIMA模型本章结构5.1 差分运算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差分运算的实质是使用自回归的方式提取确定性信息 Cramer分解定理（1961）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( 趋势)信息确定性影响随机性影响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1.1】1964年——1999年中国纱年产量（附录1.2）序列蕴含着一个近似线性的递增趋势。对该序列进行一阶差分运算 差分前后时序图考察差分运算对该序列线性趋势信息的提取作用差分后序列时序图例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(附录1.12)差分后序列时序图一阶差分二阶差分例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（附录1.13） 差分后序列时序图一阶差分1阶－12步差分过差分 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二阶差分（过差分）平稳方差大一阶差分平稳方差小4.6.5.2.1.3.条件异方差模型方差齐性变换异方差的性质差分运算Auto-Regressive模型ARIMA模型本章结构5.2 ARIMA模型ARIMA模型结构ARIMA模型性质ARIMA模型建模ARIMA模型预测疏系数模型季节模型ARIMA模型结构使用场合差分平稳序列拟合模型结构ARIMA 模型族d=0ARIMA(p,d,q)=ARMA(p,q)P=0ARIMA(P,d,q)=IMA(d,q)q=0ARIMA(P,d,q)=ARI(p,d)d=1,P=q=0ARIMA(P,d,q)=random walk model随机游走模型( random walk)模型结构模型产生典故Karl Pearson(1905)在《自然》杂志上提问：假如有个醉汉醉得非常严重，完全丧失方向感，把他放在荒郊野外，一段时间之后再去找他，在什么地方找到他的概率最大呢？ARIMA模型的平稳性例5.5ARIMA(0,1,0)时序图ARIMA(p,d,q)模型共有p+d个特征根，其中p个在单位圆内，d个在单位圆上。所以当 时ARIMA(p,d,q)模型非平稳。特别地ARIMA(0,d,0)模型ARIMA模型的方差齐性 时，原序列方差非齐性d阶差分后，差分后序列方差齐性ARIMA模型建模步骤获得观察值序列分析结束平稳性检验白噪声检验YYNN差分运算拟合ARMA模型例5.6对1952年——1988年中国农业实际国民收入指数序列建模 （附录1.14）一阶差分序列时序图一阶差分后序列白噪声检验延迟阶数 统计量P值615.330330660.1344一阶差分序列自相关图一阶截尾拟合ARMA模型偏自相关图拖尾建模定阶ARIMA(0,1,1)参数估计模型检验模型显著参数显著ARIMA模型预测递推公式ARMA（p，q）传递形式与逆转形式传递形式逆转形式预测值原则：最小均方误差预测例5.7已知ARIMA(1,1,1)模型为 且求 的95％的置信区间 预测值等价形式计算预测值计算置信区间Green函数值方差95％置信区间例5.6续：对中国农业实际国民收入指数序列的预测 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。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，可以简记为例5.8对1917年－1975年美国23岁妇女每万人生育率序列