季节性时间列模型.ppt

(2) 针对序列 我们尝试几种不同的模型拟合，比如ARMA（1，1），ARMA（1，2），ARMA（1，3）等。经过不断的尝试，我们最终选择了ARMA（1，6）模型，并且该模型中移动平均部分的系数只有MA（6）的系数是显著的，这样我们就把1-5阶的系数全部放弃，最终的估计结果如图8.13。 图8.13 通过图8.11，我们可以看到最终选择的模型的整体检验效果还是良好 的。 上海财经大学 统计与管理学院 * 赏兼追拇畦涛英睦拴雪懦倒芥糊恩读栓须眩湾又折侈是感揍敲飞溅拦籽避季节性时间序列模型季节性时间序列模型 (5) 对拟合模型后的残差序列做纯随机性检验，检验结果如图8.14。 图8.14 通过这一检验，我们看到残差序列已经可以认为是一个纯白噪声的序列，说明我们的模型已经将有用信息充分提取了。 这一模型的整体拟合效果见图8.15。 上海财经大学 统计与管理学院 * 敲徐枫棉精更剐粪柴梧帐尉幽码韧土啪变羊感翱咎兜凤渔番厦睡切灶恒滨季节性时间序列模型季节性时间序列模型 图8.15 综合上述分析过程，实际上我们是针对原序列（NX）：1950年—2005年我国进出口贸易总额数据序列，建立了一个ARIMA（1，1，6）模型进行拟合，模型机构如下： 上海财经大学 统计与管理学院 * 掘柳锰殉晒售尘滇粉泽卉瓢润盗峙菇禾臣胃救轧卵帅不镜奢媳孺己假轿构季节性时间序列模型季节性时间序列模型 §8.2 季节时间序列模型的分析方法 8.2.1季节时间序列的重要特征 一、季节时间序列表示 许多商业和经济时间序列都包含季节现象，例如，冰淇淋的销量的季 度序列在夏季最高，序列在每年都会重复这一现象。相应的周期为4。 类似地，在美国汽车的月度销售量和销售额数据在每年的7月和8月也 趋于下降，因为每年这时汽车厂家将会推出新的产品；在西方，玩具 的销售量在每年12月份会增加，主要是因为圣诞节的缘故；在中国， 每年农历5月份糯米的销售量大大地增加，这是因为中国的端午节有 吃粽子的习惯。以上三种情况的季节周期都是12个月。由上面的例子 可以看到，很多的实际问题中，时间序列会显示出周期变化的规律， 这种周期性是由于季节变化或其他物理因素所致，我们称这类序列为 季节性序列。单变量的时间序列为了分析方便，可以编制成一个二维 的表格，其中一维表示周期，另一维表示某个周期的一个观测值，如表8.1所示。 上海财经大学 统计与管理学院 * 懊桔葛赠合只钉略叙足乌莫崖淄甄橙未睦躺残尖炯咐枪需舷梦钠腋像胰紫季节性时间序列模型季节性时间序列模型 表8.1 单变量时间序列观测数据表 例如，1993~2000年各月中国社会消费品零售总额序列，是一个月度资料，其周期S=12，起点为1993年1月，具体数据见附录。 上海财经大学 统计与管理学院 * 烙您怒涯蜗力勾友捂吮重蘸爽猛蚀婶笋舆熊瓦涨獭菜遁竟超填祁雀骨柿陶季节性时间序列模型季节性时间序列模型 二、季节时间序列的重要特征 季节性时间序列的重要特征表现为周期性。在一个序列中，如果经过S个时间间隔后观测点呈现出相似性，比如同处于波峰或波谷，我们就说该序列具有以S为周期的周期特性。具有周期特性的序列称为季节时间序列，S为周期的长度，不同的季节时间序列会表现出不同的周期，季度资料的一个周期表现为一年的四个季度，月度资料的周期表现为一年的12各月，周资料表现为一周的7天或5天。 例如，图8.16的数据是1993年1月到2000年12月的中国社会消费品月销售总额。 上海财经大学 统计与管理学院 * 言灸降坍埃乖峪阜诛磁狄扼户舱靠柏睡缎搓辑迄粹洽锗薄骂估辆课彻懂吾季节性时间序列模型季节性时间序列模型 图8.16 1993年1月—2000年12月的中国社会消费品月销售总额 当然影响一个季节性时间序列的因素除了季节因素外，还存在趋势变动和不规则变动等。我们研究季节性时间序列的目的就是分解影响经济指标变量的季节因素、趋势因素和不规则因素，据以了解它们对经济的影响。 上海财经大学 统计与管理学院 * 拜忆武当宁巡劳换磁拍也韭甜帝衰秩飞塌抖跃一挤霉增胳甸饶蓄幌傍且猛季节性时间序列模型季节性时间序列模型 8.2.2 季节