第10讲时间序列选读.ppt

The end 公式8.48 信息与计算科学系 信息与计算科学系 * 数学建模 数学建模算法与应用 如何使用ARMA模型来考察非平稳单位根过程数据的动态性呢？ 一种简单的方法就是：首先对单位根变量进行差分，使之变为平稳数据，然后对差分后的平稳数据使用ARMA模型进行分析。这种情形下的ARMA模型就成为ARIMA模型。 如：ARIMA(2,1,3)，其中2表示自回归的阶数，3表示移动平均的阶数，1则表示差分的数次。 ARIMA模型 ARIMA (p,d,q)：对原序列Xt作d阶差分后应用ARMA (p,q) ARMA模型与ARIMA模型的区别 d 的确定 ： 差分后检查自相关函数，确定序列是否平稳，直到平稳为止。 p、q 的确定：由自相关函数、偏自相关函数确定，或由AIC、SC准则确定。 ARIMA模型的确认 若自回归过程的阶数为p，则对于jp应有偏自相关函数αj≈ 0 若移动平均过程的阶数为q，则对于jq应有自相关函数ρj≈ 0 AIC准则: 选择使准则值达到最小的模型阶数。 1.根据时间序列的散点图、自相关函数和偏自相关函数图识别其平稳性。 2. 对非平稳的时间序列数据进行平稳化处理。直到处理后的自相关函数和偏自相关函数的数值非显著非零。 3.根据所识别出来的特征建立相应的时间序列模型。平稳化处理后，若偏自相关函数是截尾的，而自相关函数是拖尾的，则建立AR模型；若偏自