时间序列随机模型.ppt.ppt

“随机时间序列分析模型” ?地学建模? 之 §4 随机时间序列分析模型 1. 随机时间序列模型的基本类型 2. 随机时间序列分析模型的识别 3. 时间序列模型常用定阶准则 4. 随机时间序列分析模型的参数估计 5. 季节自回归滑动平均（ARIMA）模型 6. 时间序列建模分析 1 基本类型 1.1 自回归（AR）模型 1.2 滑动平均（MA）模型 1.3 自回归滑动平均（ARMA）模型 1.1 自回归（AR）模型 　　　at与at的先前值xt-i无关，且满足： 引入后移算子B，使得 ， 借助后移算子，则AR（p）模型可化为 此式即为 移项整理即为： 　　　　　　　　　记 则模型可写为 1.2 滑动平均（MA）模型 若序列值 是现在和过去的误差或白噪声的线性组合，即 　　此模型称为滑动平均模型，相应的序列称为 q－阶滑动平均序列，简记为MA(q)模型。 为滑动平均参数。 同样使用后移算子，则该模型可写为： 记： 则： 1.3 自回归滑动平均（ARMA）模型 1.3.1 ARMA模型的概念 若序列值 是现在和过去的误差或白噪声以及 先前序列值的线性组合，即 　　该模型称为自回归滑动平均模型（ARMA(p,q)模型）p,q分别为自回归与滑动平均的阶数。　　 分别称为自回归参数和滑动平均参数。 若使用后移算子B，该模型可简记为： AR模型和MA模型是ARMA模型的特例。 自回归模型平稳性条件 对AR（1）模型： 自回归模型平稳性条件 满足p阶平稳自回归模型，即AR(p) 。 的根全在单位圆外，则称 若使 其系数向量 所构成的集合，称为AR(p)模型的平稳域。 滑动平均模型的可逆性条件 　　此即为MA（1）模型的逆转形式。若|θ1|1，表明序列历史值对当前值的影响，随时间的推移越来越小，否则过去对现在的影响越来越大，则不合理。 滑动平均模型的可逆性条件 满足q阶平稳滑动平均模型。 的根全在单位圆外，则称 其系数向量 所构成的集合，称为MA(q)模型的可逆域。 ARMA(p,q)模型的平稳与可逆条件 1.3.2 ARMA模型的传递与逆转形式 1.3.2 ARMA模型的传递与逆转形式 2. 随机时间序列分析模型的识别 2.1自相关函数和偏自相关函数 　2.1.1 AR(p)的自相关函数 　2.1.2 MA(q)的自相关函数 　2.1.3 ARMA(p,q)的自相关函数 　2.1.4 ARMA(p,q)偏自相关函数 2.2 模型识别 　2.2.1 AR(p)模型的识别 　2.2.2 MA(q)模型的识别 2.1自相关函数和偏自相关函数 　　模型识别是进行参数估计的前提; 主要任务: 找出ARMA(p,q)、AR(p)、MA(q)模型的具体特征，从而利用这些特征去识别具体的时间序列模型。 识别方法: 计算时间序列样本的自相关函数和偏自相关函数，对照各类模型相应函数的具体特征进行，其中以模型定阶最为重要。 2.1.1 AR(p)的自相关函数 AR（p）模型的自协方差函数为： 　　平稳时间序列自相关函数为偶函数 有自相关函数： （3.49） （3.48） 　　AR(p)序列自相关函数是非截尾序列，称为拖尾序列。自相关函数拖尾是AR(p)序列的一个特征。 2.1.2 MA(q)的自相关函数 MA(q)模型的自协方差函数为： （3.52） 有自相关函数： （3.54） （3.53） 2.1.3 ARMA(p,q)的自相关函数 　　ARMA(p,q)的自相关函数，可认为是AR(p)和MA(q)模型自相关函数的复合。当p=0时，具有截尾性质；当q=0时，具有拖尾性质；当p、q均不为0时，具有拖尾性质。 ARMA(p,q)的自协方差函数 ARMA(p,q)的自相关函数： 2.1.4 ARMA(p,q)偏自相关函数 2.2 模型识别2.2.1 AR(p)模型的识别 2.2.2 MA(q)模型的识别 仅具有理论意义，实际样本的自相关函数也会在零上下波动。 　若随机序列的自相关函数和偏自相关函数都是拖尾的，则此序列是ARMA(p,q)序列。 　　当自相关函数按指数曲线衰减而趋于0时，表明是AR模型，且其阶数取决于显著不等于0的偏自相关函数的数目； 　　如果偏自相关函数按指数曲线衰减而趋于0时，表明是MA模型，其阶数决定于统计上显著的自相关函数的数目； 　　当自相关函数和偏自相关函数均按指数曲线衰减而趋于0时，其模型是混合的ARMA模型。 总　结 AR(P) MA(q) ARMA(p,q) 模型方程 平稳条件 　　　的根全在单位圆外 平稳 　　　　的根全在单位圆外 可逆条件 可逆 　　　　的根全在单位圆外 　　　　的根全在单位圆外 传递形式 逆转形式 自相关函数 拖尾 截尾 拖尾 偏自相关函数 截尾