非平稳时间序列的随机分析.ppt

回顾：Cramer分解定理（1961） 任何一个时间序列（可适用于非平稳序列） 都可以分解为两部分的叠加：其中一部分是由多项式决定的确定性趋势成分，另一部分是平稳的零均值误差成分，即 确定性影响 随机性影响 例如：平稳ARMA 为常数系数 为一个零均值 白噪声序列 为延迟算子 离散序列的d阶差分就相当于连续变量的d阶求导， 在上述分解下， d阶差分就可充分提取时序中的确定 性信息。 注意：防止出现过差分。 ARIMA模型结构 ARIMA（p,d,q）模型结构 分别为平稳可逆ARMA（p,q）模型的自回归系数多项式 和移动平均系数。 注意：ARIMA（p,q）的平稳性？方差齐性？ ARMA（p,q）呢？ ARIMA模型建模步骤 获 得 观 察 值 序 列 平稳性 检验 差分 运算 Y N 白噪声 检验 Y 分 析 结 束 N 拟合 ARMA 模型 例4.6 对1952年——1988年中国农业实际国民收入指数序列建模 d=read.csv(shouru.csv,head=F) shouru=ts(d,start=1952,end=1988,freq=1) ts.plot(shouru,type=b) chafen=diff(shouru,differences=1) ts.plot(chafen) acf(chafen,10) 时序图和一阶差分序列时序图 acf(chafen,10) pacf(chafen,10) Box.test(chafen, type=Ljung-Box,lag=6) data: chafen X-squared = 15.3304, df = 6, p-value = 0.01784 arima(chafen, order = c(0,0,1),method=ML) arima(x = chafen, order = c(0, 0, 1), method = ML) Coefficients: ma1 intercept 0.6710 4.9947 s.e. 0.1648 2.0139 sigma^2 estimated as 53.42: log likelihood = -122.99, aic = 251.97 a= arima(chafen, order = c(0,0,1),method=ML) r=a$residuals Box.test(r,type=Ljung-Box,lag=6,fitdf=1) data: r X-squared = 3.6649, df = 5, p-value = 0.5986 p=pt(4.0716,df=35,lower.tail = F)*2 p [1] 0.0002536605 (theta1的检验） p=pt(2.4801,df=35,lower.tail = F)*2 P [1] 0 (截距项的检验） 4、ARIMA模型预测 4、ARIMA模型预测 预测值：线性最小方差预测原则 例4.7 已知ARIMA(1,1,1)模型为 且 求 的 95％的置信区间 （1）计算预测值 展开原模型，得到等价形式 计算预测值 计算预测误差 写出广义自相关函数的表达式，求出 求出 求出预测误差的方差 计算置信区间 的95％置信区间 例4.6续：对中国农业实际国民收入指数序列做为期10年的预测 第四章 非平稳序列的随机分析 时间序列的分解 差分运算 ARIMA模型 Auto-Regressive模型 异方差的性质 方差齐性变化 条件异方差模型 4.1 时间序列的分解 4.1.1 Wold分解定理 4.1.2 Cramer分解定理 引例 4.1.1、Wold分解定理（1938） 对于任何一个离散平稳过程 它都可以分解为两个不相关的平稳序列之和，其中一个为确定性的，另一个为随机性的，不妨记作 其中： 为确定性序列， 为随机序列， 它们需要满足如下条件 （1） （2） （3） 确定性序列与随机序列的定义 对任意序列 而言，令 关于q期之前的序列值作线性回归 其中 为回归残差序列， 。 显然， ，且随着q的增大而增大，也就是说 是非减的有界序列，它的大小可以衡量历史信息对现时值的预测精度。 越小，说明预测得越准确， 越大，说明预测得越差。 对比43页AR模型 确定性序列：若 即说明序列随着时间的发展有很