个人总结时间序列.docx

版本01 时间序列分析方法与其它统计分析方法（回归分析）的主要区别1时间序列分析方法明确强调变量值顺序的重要性，而其它统计分析方法则不必如此。2 时间序列各观察值之间存在一定的依存关系，而其它统计分析一般要求每一变量各自独立3 时间序列分析根据序列自身的变化规律来预测未来，而其它统计分析则根据某一变量与其它变量间的因果关系来预测该变量的未来。4 .时间序列是一组随机变量的一次样本实现，而其它统计分析的样本值一般是对同一随机变量进行N次独立重复实验的结果。5.二者建模思路不同2有时应用时间序列分析方法显得很有必要1 .很多情况下，很难或不可能用变量间的因果关系来说明某一变量的变化。2 .即使能估计出一个有关变量的令人满意的回归方程，其结果也可能不能用于预测。3常用软件Eviews。版本11 一般概念：变量的观测值按时间顺序，在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。它是系统中某一变量受其它各种因素影响的总结果。获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。它不研究事物之间相互依存的因果关系。惯性原则、近大远小原理2构成要素分为四种，即长期趋势（Secular trend）:在较长时期内呈现出某种持续发展变化的状态、趋向或规律季节变动（Seasonal fluctuation）:在一年内重复出现的周期性波动循环波动（Cyclical movement）:围绕长期趋势的一种波浪形或振荡式变动不规则波动（Irregular variations）:不规则波动,除去趋势、周期性和季节性之后的偶然性波动实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。趋势性、周期性：随机性：综合性3 平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。各观察值基本上在某个固定的水平上波动，或虽有波动，但并不存在某种规律，而其波动可以看成是随机的平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋近于0，前者测度当前序列与先前序列之间简单和常规的相关程度，后者是在控制其它先前序列的影响后，测度当前序列与某一先前序列之间的相关程度。4 基本步骤(1)分析数据序列的变化特征。(2)选择模型形式和参数检验。(3)利用模型进行趋势预测。(4)评估预测结果并修正模型。一般假定 均值为0，否则令5分解模型按四种因素对时间序列的影响方式不同，时间序列可分解为多种模型。乘法模型Yi=Ti×Si×Ci×Ii加法模型Yi=Ti+Si+Ci+Ii最常用的是乘法模型。其基本假设是各构成因素互不独立，对事物的影响是相互的，除对时间序列的发展水平产生影响外，因素之间也相互影响。利用乘法模型可以将各因素从时间序列中分离出来进行分析。5自回归AR(p)模型yt=φ1yt-1+φ2yt-2+……+φpyt-p+εt：p模型的阶次，滞后的时间周期，通过实验和参数确定；yt当前预测值，与自身过去观测值yt-1、…、yt-p是同一序列不同时刻的随机变量，相互间有线性关系，也反映时间滞后关系，yt-1、yt-2、……、yt-p同一平稳序列过去p个时期的观测值；φ1、φ2、……、φp自回归系数，通过计算得出的权数，表达yt依赖于过去的程度，且这种依赖关系恒定不变；识别条件：当kp时，有φk=0或φk服从渐近正态分布N(0,1/n)且(|φk|2/n1/2)的个数≤4.5%，即平稳时间序列的偏相关系数φk为p步截尾，自相关系数rk逐步衰减而不截尾，则序列是AR(p)模型。用PACF函数判别(从p阶开始的所有偏自相关系数均为0)。平稳条件：一阶-|φ1|1。二阶-φ1+φ21、φ1-φ21、|φ2|1。φ越大，自回归过程的波动影响越持久.一般AR过程的ACF函数呈单边递减或阻尼振荡，所以用PACF函数判别(从p阶开始的所有偏自相关系数均为0)6移动平均MA(q)模型yt=εt-θ1εt-1-θ2εt-2-……-θqεt-q或平稳称为MA(q)序列用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。参数θ取值对时间序列的影响没有AR模型中参数p的影响强烈，即这里较大的随机变化不会改变时间序列的方向.识别条件：当kq时，有自相关系数rk=0或自相关系数rk服从N(0,1/n(1+2∑r2i)1/2)且(|rk|2/n1/2(1+2∑r2i)1/2)的个数≤4.5%，即平稳时间序列的自相关系数rk为q步截尾，偏相关系数φk逐步衰减而不截尾，则序列是MA(q)模型。一般MA过程的PACF函数呈单边递减或阻尼振荡，所以用ACF函数判别(从q阶开始的所有自相关系数均为0)。可逆条件:一阶：|θ1|1。二阶：|θ2|1、θ1+θ21。当满足可逆条件时，MA(q)模型可以转