第2章时间序列的预处理辩析.ppt

线性差分方程 线性差分方程 齐次线性差分方程 齐次线性差分方程的解 特征方程 特征方程的根称为特征根，记作 齐次线性差分方程的通解 不相等实数根场合 有相等实根场合 复根场合 非齐次线性差分方程的解 非齐次线性差分方程的特解 使得非齐次线性差分方程成立的任意一个解 非齐次线性差分方程的通解 齐次线性差分方程的通解和非齐次线性差分方程的特解之和 异常值处理 数值检验 缺损值的补足 模型分析 数值检验 if mean(X[1:t])-k sd(X[1:t])X[t+1] mean(X[1:t])+k sd(X[1:t]) k=6, #6 sigma, X[t+1] 正常 否则 为离群点 如果为离群点 X*[t+1]=2X[t]-X[t-1] #线性外推 缺损值的补足 平滑法 插值估算法 模型分析 估计模型 残差分析 如果残差分析不能通过，则替换或加入哑变量 例子： 人口自然增长率收集 时间跨度1950-2005 时间间隔相同， 年度数据 ，不允许出现半年，2年等间隔数据 统一计算方法：（年初+年末）/2， 序列范围一致性：虽然1997香港回归，并不能计算进入。 统一指标口径：出生后但随后死亡，列入出生也例如死亡。 假设条件 原假设：延迟期数小于或等于 期的序列值之间相互独立 备择假设：延迟期数小于或等于 期的序列值之间有相关性 检验统计量 Q统计量 LB统计量 判别原则 拒绝原假设 当检验统计量大于 分位点，或该统计量的P值小于 时，则可以以 的置信水平拒绝原假设，认为该序列为非白噪声序列 接受原假设 当检验统计量小于 分位点，或该统计量的P值大于 时，则认为在 的置信水平下无法拒绝原假设，即不能显著拒绝序列为纯随机序列的假定 例2.4：标准正态白噪声序列纯随机性检验 样本自相关图 检验结果 延迟 统计量检验 统计量值 P值 延迟6期 2.36 0.8838 延迟12期 5.35 0.9454 由于P值显著大于显著性水平 ，所以该序列不能拒绝纯随机的原假设。 例2.5 对1950年——1998年北京市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验 例2.5时序图 例2.5自相关图 例2.5白噪声检验结果 延迟阶数 LB统计量检验 LB检验统计量的值 P值 6 75.46 0.0001 12 82.57 0.0001 非平稳时间序列平稳化处理 Box-Cox变换 f(x,λ)=(x^λ?1)/λ if λ ≠0 = log(x) if λ =0 差分: B为后移算子BX[t]=X[t-1] B^d X[t]=X[t-d] d阶差分 (1-B)^d X[t] Box-Cox 变换 library(MASS)library(car)library(pander)l - lm(Volume ~ log(Height) + log(Girth), data = trees) #建立线性模型qqPlot(l) #残差的QQ图，不大符合正态分布 boxcox(Volume ~ log(Height) + log(Girth), data = trees) #找lambda  boxcox(Volume ~ log(Height) + log(Girth), data = trees, lambda = seq(-0.08, ?0, length = 10)) kk=boxcox(Volume ~ log(Height) + log(Girth), data = trees, lambda = seq(-0.08,0, length = 10)) kk$x[which(kk$y==max(kk$y))] # -0# 缩小寻找的范围,大约是-0.067volume - (trees$Volume^(-0.67) - 1)/(-0.067) #变换trees.t - cbind(trees, volume) #重新拟合模型l.t - lm(volume ~ log(Height) + log(Girth), data = trees.t) #建立线性模型qqPlot(l.t) #残差可认为是正态了 pander(l.t)## ## --------------------------------------------------------------## nbsp; Estimate Std. Error t value Pr(|t|) ## ----------------- ----------