孔维文应用时间序列分析.docVIP

例4.4 我国民航客运量数据的季节调整 图4.4.1 航空客运量KYL各部分波动分解图 由上图4.4.1可知，该序列有两个比较明显的有规律的波动，趋势和季节变动。 由于经过季节调整后的序列KYL_SA体现出明显的非线性趋势，所以，采用二次曲线进行拟合，并根据KYL_SA数据建模可得图4.4.2： 图4.4.2 趋势模型参数估计 例5.1 用自相关分析图识别我过城镇居民人均可支配收入的月度时间序列INC的季节性 图5.1.1 序列linc折线图 从折线图可以看出，从1994到1998年，我过城镇居民人均收入水平总体呈上升趋势，且去每月2月的观测值都远大于相邻月份，表现出明显的季节波动，自相关分析图如下图5.1.2： 图5.1.2 序列linc的自相关分析图 从图5.1.2可知，序列的自相关没有很快趋于0，说明序列是非平稳的，做一阶差分得下图5 图5.1.2一阶差分的自相关图 一阶季节差分series sdlinc=dlinc-dlinc(-12)后得到的自相关图如下图5.1.4 图5.1.4 季节差分后的自相关图 可以看出k=12时的自相关系数已落入随机区间，表明季节性已经消除。 例5.6 1.时间序列特征分析 图5.6.1我国工业总产值折线图 图5.6.2工业总产值序列自相关图 从上图可以发现，序列存在明显的增长趋势，并包含周期为12个月的季节波动 为消除趋势同时减少序列的波动性，对原序列做一阶自然对数逐期差分 Series ilip=log(ip)-log(ip(-1)) 差分后的序列的自相关与偏自相关图如下图5.6.3 图5.6.3 一阶差分的自相关图 从上图可看出，k=12时，样本的自相关系数和偏自相关系数明显不为0，表明季节性存在，对序列做季节差分，得到心序列silip Series silip=ilip-ilio(-12) Silip的自相关图如下图5.6.4 图5.6.4 silip的自相关图 模型识别 因为经过一阶逐期差分，序列趋势消除，故d=1，经过一阶季节差分，季节性基本消除，故D=1，所以选用ARIMA(p,d,q)(P,D,Q)模型，观察序列silip序列的自相关和偏自相关图，可知，p取2或3，q取1，由于K=12，样本自相关和偏自相关系数都显著不为0，所以P=Q=1. 模型建立 ARMA(3，1，1)(1，1，1)12模型 图5.6.5 模型1 ARMA(4，1，0)(1，1，1)12模型 图5.6.6 模型2 ARMA(2，1，1)(1，1，1)12模型 图5.6.7 模型3 ARMA(3，1，0)(1，1，1)12模型 图5.6.8 模型4 经计算显示，ARIMA(2，1，1)拟合效果明显不如其他三个模型，故不予考虑，其他是哪个模型都满足ARMA过程的平稳条件及可逆条件，模型设定合理，另外，残差序列是白噪声序列拟合效果很好，与模型1和模型2比较，模型4的AIC和SC值较小，样本决定系数虽略逊于第二个模型，但优于第一个模型，因此选择模型4 预测 利用 ARMA(3，1，0)(1，1，1)12模型模型对1998年工业总产值进行预测，预测图如下图5.6.9所示： 图5.6.9预测值与实现观测值对比图