过程建模3-时间序列模型终稿.ppt

平稳时间序列建模过程 1、检验时间序列的平稳性 2、零均值化 3、模型的初步识别 4、模型的定阶 5、模型的参数估计 6、模型的适应性检验 化学反应产出量(每次观测间隔两小时) 47 64 23 71 38 64 55 41 59 48 71 35 57 40 58 44 80 55 37 74 51 57 50 60 45 57 50 45 25 59 50 71 56 74 50 58 45 54 36 54 48 55 45 57 50 62 44 64 43 52 38 59 55 41 53 49 34 35 54 45 68 38 50 60 39 59 40 57 54 23 共70个数据 时序数据文件建立和数据的观察 一、工作文件的建立 化学反应产出量时序是每隔两小时采集的数据，可把此数据看作无规则的数据，而且，共有70个数据，建立工作文件应选择 二、建立数据对象 三、输入数据 四、对数据进行浏览观察 1、观察其数据图，看序列是否具有趋势性、周期性、季节性，以判断序列是否平稳序列？本序列的数据图如下： 五、看数据的统计特性，观察此序列是否正态序列： 六、看序列的自相关函数和偏自相关函数 时序模型的初步识别 一、数据的零均化 二、观察序列的相关函数图，以判断此序列初步判别序列是何种模型。 通过相关图观察，我们发现自相关函数具有拖尾性，而偏自相关函数具有截尾性，可初步判定一步截尾，即AR(1)。 另外考虑ARMA模型，从相关图上可看出为ARMA(1,2) 时序模型定阶和参数估计 我们依据初步识别的结果，利用第4章介绍的模型阶估计法对模型进行进一步分析定阶。 首先对本数据分别用最小二乘法拟合AR(1),AR(2),AR(3),AR(4)模型,其结果如下： 时序模型适应性检验 1、检验残差序列是否白噪声序列，Eviews提供了3种方法检验当前序列相关 (1) Dubin-Waston统计量 D-W统计量用于检验一阶序列相关。 (2)相关图和Q-统计量 计算相关图和Q-统计量。 (3)序列相关LM检验 检验的原假设是:至给定阶数，残差不具有序列相关。 检验发现残差序列存在相关性，要考虑修改模型阶数。 对已经确认的模型进行修正，因为残差序列存在着一阶序列相关，所以把模型AR(1)变为ARMA(1,1)。其结果如下： 对该模型进行显著性检验，经过F检验和AIC准则检验，发现ARMA(1,1)较好。 最后对ARMA(1,1)模型的残差序列进行白色性检验。 在把模型AR(1)变为ARMA(1,1)之前，经历了ARMA(2,1) 模型的估计。其结果如下： 我们发现，模型中?2数值非常小，且经检验未通过。 从其统计特征可以看出该序列均值为51.12857,Jarque-Bera为0.065419，Probalility为0.967819，说明此序列为正态序列。 3 时间序列模型 从序列的相关图可以看出ACF具有拖尾性，而PACF具有截尾性。说明此序列也是平稳序列。 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 接下来针对上述模型AR(1)，AR(2)，AR(3)，AR(4)运用模型定阶法，包括残差定阶法、AIC准则法和F定阶法，结果如下： 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 主要检验残差序列 是否是白噪声序列。 3.4 应用实例 3 时间序列模型 3.4 应用实例 3 时间序列模型 本节主要讲述线性离散动态系统（以差分方程描述）的最小二乘辨识算法 we we we we we we 实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。 另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。 we we we we * * 上篇 线性系统建模 3.1 问题的提出 3 时间序列模型 在实际建模应用中，有一类系统不能完全用前面章节所介绍的输入/输出关系模型来描述，如生物系统中的生物电信号（心电、脑电…),经济系统中的市场价格，机械系统中的机械振动，社会上的某种疾病的发病率等。 这些系统变量的特征：一是系统不存在明确的因果关系，