如每月物价每年产值等影响时间序列变化有四个成因.pptVIP

Quan_ARMA 第六章 時間序列模式 時間序列是指按時間有順序排列的一串資料，如每月物價，每年產值，等 影響時間序列變化有四個成因： Trend ：長期向上或向下的移動趨勢 Seasonal variation ：以年為基礎的變動原型 Cycle ：在2到10年中向上或向下的改變 Irregular flutuation ：無固定規律性的不規則震盪 ARMA模式 ARMA model 又稱為 Box-Jankin model，1970年代推出 用來配適時間序列中的不規則震盪 適用於Stationary series，可解釋序列中的自相關現象。 Stationary series (平穩序列) 定義：一時間序列的統計特性與時間 t 無關，皆是固定值，稱為平穩序列 E(Yt) =μ，var(Yt) =σ2，cor(Yt ,Yt+k) =ρk for all t 6.1 平穩序列 Stationary series 例 6.1 一 hotel 每週住房人數資料，共 120 筆 如何檢測stationarity (平穩性) ? Backward 運算： B(Yt) = Yt-1, B2(Yt) = Yt-2 First difference 一階差分 : Second differences 二階差分 : 差分功能 一階差分消去直線 trend 二階差方消去二次 trend 6.2 自相關係數函數 (ACF) autocorrelation at lag k : cor(Yt ,Yt+k) =ρk k 階自相關係數： 6.3 ARMA model 註：1、 AR(p) model 可以下列式表示 (assume δ=0)： MA(q) model Zt 偏自相關係數 (partial autocorrelation)： MA(1) model MA(2) model AR(p) model ARMA(p,q) model ARMA model 中 acf 與 pacf 的表象 6.4 ARMA 建模的步驟 Stationize: 檢測序列的平穩性，對不平穩的序列，差分轉換為平穩序列。 Tentative identification: 由資料的 acf, pacf 辨識適合的 ARMA模式, 選出數個可能模式。 Estimation: 對遴選模式估計參數 Diagnostic Checking: 由各種診斷法來檢視模式的適合性，挑選出一模式，視為用於預測的模式 Forecasting: 以最終模式預測未來值 應隨時做模式的更新。 (1) 平穩化過程 (2) 初步辨識 由樣本的acf 及pacf 的走勢及變化來辨識ARMA模式中的 p，q值 選出數個候選模式 模式應力求簡單 (3) 參數估計 (3) 模式診斷 一個適合的模式需滿足：殘差為 white noise、及係數顯著 若殘差不為 white noise，表示仍有自相關現象存在於殘差內，所選的階數不夠 若係數不顯著，表示自變數之間有相關性，參數個數太多，所選的階數超過 預測式的選取 當我們得到了數個適合的模式，比較 AIC、 SBC、標準誤、以及相關的適合現象，最後選一最理想的做為預測式。原則上，預測式愈簡單愈好。 6.5 Case Study  DVD weekly sale series 若 q= p，則 ACF 遞減 (damped exponentially or sine-wave) 若 q p，前面 q-p+1 個 p 和其它的 p 呈二段式遞減 ACF 與 PACF 皆漸漸消失型 (damped exponentially or sine-wave) 指數或正弦函數式漸漸消失 指數或正弦函數式漸漸消失 ARMA(p,q) 時差 p 之後切斷 指數或正弦函數式漸漸消失 AR(p) 指數或正弦函數式漸漸消失 時差 q 之後切斷 MA(q) Pacf acf Model 以上列出的 acf 與 pacf 的特性將作為辨識適合的 ARMA模式的準則。 如果手中的時序資料不是 stationary，以一次差分轉換，使成為一 stationary series，必要時用多次差分。 利用檢定確認它是一 平穩序列 指數或正弦函數式漸漸消失 指數或正弦函數式漸漸消失 ARMA(p,q) 時差 p 之後切斷 指數或正弦函數式漸漸消失 AR(p) 指數或正弦函數式漸漸消失 時差 q 之後切斷 MA(q) Pacf acf Model 原則上用 least square estima