《统计预测和决策-陈康》第七章.pptVIP

7 平稳时间序列预测法 7.1 概述 7.2 ARMA模型的自相关分析 7.3 ARMA模型的建立 7.1概述 B-J方法是世界公认的最好的单一变量时序预测模型。 特别适合于处理复杂时间序列以及其它存在着多种形态的预测情况。 这种方法比较完善，预测精度高，但它需要历史数据较多，计算量更大，成本高。 而模型建立后能在较长时间内以递推方式反复使用。 一、B-J试图解释以下两个问题： 1、分析时间序列的随机性、平稳性和季节性。 （1）随机性 时间序列的随机性：是指管时间序列各项之间没有相关关系的特性 白噪声：设给出时间序列 x t 每个 x t都服从正态分布～（0，σ2）， 如果对于任何两个不同的x t， ，它们都不相关，即COV（xt， ）＝0， 则称时间序列x t为白噪声。 设x t为白噪声，α为任一常数，称α＋x t所产生的数据为完全随机型数据。 （2）平稳性：如果时间序列xt的各种统计特性（包括分布、数学期望、方差、xt与x t－k的协方差COV（x t，x t－k）、相关系数不随时间而改变，则称x t为平稳时间序列。 平稳时间序列产生的数据特点： 没有趋势； 不受季节因素影响； 在任何一个时刻向后观察，数据结构都相同。 （3）季节性：时间序列呈现以季节长度为L的季节波动。 2、在对时间序列分析的基础上，选择适当的模型进行预测。 ARMA模型三种基本形式： 自回归模型（AR：Auto-regressive）； 移动平均模型（MA：Moving-Average）； 混合模型（ARMA：Auto-regressive Moving-Average）。 （1）自回归模型（Autoregressive Model） 如果时间序列｛xt｝满足： p－任意正整数，自回归模型的阶数 －常数、模型的参数 u t－误差、随机干扰、白噪声且与 不相关。 则称时间序列 ｛xt｝服从p阶自回归模型，记为AR(p) （2）移动平均模型（Moving Average Model） 如果时间序列｛xt｝满足： q－任意正整数、移动平均模型的阶数 －常数、模型的参数 u t－时间序列模型在t期的误差，随机干扰、白噪声。 则称时间序列 ｛xt｝服从q阶移动平均模型，记为MA(q) （3）自回归移动平均模型 （Autoregressive Moving Average Model） 如果时间序列｛xt｝满足： p q－非负整数且不同时为0 （p q）－模型的阶数 －常数、模型的参数 u t－随机干扰、白噪声且与 不相关。 则称时间序列 ｛xt｝服从(p,q)阶自回归移动平均模型，记为ARMA(p q) 二、运用B-J法的前提条件 作为预测对象的时间序列是零均值的平稳随机序列。AR 、MA、 ARMA 模型都是处理平稳时间序列的，且假定各项均值是0。 平稳时间序列的统计特性不随时间的推移而变化，平稳随机序列的折线图无明显的上升或下降趋势。 对于有趋势的非平稳时间序列且非零均值的，在应用ARMA模型前要进行处理： 1、零均值化：均值不为零的时间序列中的每一项数值都减去该序列的平均数→均值为零的新的时间序列。 2、差分平稳化，消除趋势 x t的趋势是线性的作其一次差分序列 x t的趋势是二次的，即趋势为a+bt+ct2 二次差分序列 x t的趋势属于t的d次多项式，则经d次差分后可完全消除趋势 一般情况，非平稳序列经一次或二次差分后都可平稳化 三、B-J法预测流程图 模型的识别→模型中参数的估计和检验→预测应用 1、模型的识别：通过样本序列，计算出时间序列的具体特征，求出AR、MA模型的阶数。 计算时间序列样本自相关系数和偏自相关系数，与理论模型的相应特征进行比较后加以确认。 利用自相关系数和偏自相关系数 ↓ 分析时间序列的随机性、平稳性、季节性 ↓ 选定模型拟合所分析的时间序列 识别模型的标准 ARMA模型的理论特征作为鉴别实际模型的标准