时间序列分析剖析.ppt

* SPSS的实现:ARIMA(p,d,q)(P,D,Q)s模型拟合 选择Analyze－Time Series－ARIMA，然后把数据中的时间序列选入Dependent(在数据AR1.sav中,选Z,对数据tssales.sav时选sales,而对数据tsadds2.sav时选sales),对于Independent,仅在使用数据tsadds2.sav时选了adds。 在Model的第一列为ARIMA(p,d,q)(P,D,Q)s模型的前三个参数(p,d,q),第二列(sp,sd,sq)为ARIMA(p,d,q)(P,D,Q)s模型的后三个参数(P,D,Q)。这样只要选定我们所希望尝试的模型参数即可。 周期s由于在定义序列时已经有了(见对话框中注明的Current Periodicity后面的数字),就不用另外输入了。在输出的变量中有误差和拟合(预测)的序列，在输出文件中还有各个参数和一些判别准则等。。 * 公式：指数平滑模型 这些模型中有a，g，d，f为待估计参数，g＝0意味着斜率为常数（趋势无变化），而d＝0意味着没有季节成分，f和减幅趋势有关；对于时间序列Xt，趋势、光滑后的序列、季节因子和预测的序列分别用Tt、St、It 和 表示；另外，p表示周期，et为残差 * 指数平滑模型:线性趋势可加季节模型（Linear trend, additive seasonality model） * 指数平滑模型:线性趋势可乘季节模型（Linear trend, multiplicative seasonality model） * 指数平滑模型:指数趋势可加季节模型（Exponential trend, additive seasonality model） * 指数平滑模型:指数趋势可乘季节模型(Exponential trend, multiplicative seasonality model) * 指数平滑模型:减幅趋势可加季节模型（Damped trend, additive seasonality model） * 指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） * ARIMA模型 平稳时间序列满足的条件：对所有t, E(Zt)=m，而且自协方差函数gts=cov(Xt,Xs)=E(Xt-m)(Xs-m)。 仅仅与差t-s有关，因此可以记gk=gt,t+k=cov(Xt-m)(Xt-m)。对于平稳序列，自相关函数(acf)定义为corr(Zt,Zt+k)= gk/g0。偏相关函数(pacf)定义为corr(Zt,Zt+k|Zt+1,…,Zt+k-1)。 函数acf和pacf的点图可以用来帮助识别平稳过程的ARMA(p,q)模型。AR(p)和MA(q)模型是ARMA(p,q)模型的特例，而ARMA(p,q)模型又是ARIMA(p,d,q)的特例（这里只有趋势，没有季节），而ARIMA(p,d,q)又是既有趋势又有季节成分的ARIMA(p,d,q)(P,D,Q)s模型的特例。 * ARIMA模型:为了便于描述公式，定义算子 * AR(p)模型 或者，用等价的算子符号， * MA(q)模型 或者，用等价的算子符号， * ARMA(p,q)模型 或者，用等价的算子符号， * ARIMA(p,d,q)(P,D,Q)s模型 这里 为类似于ARMA(p,q)模型中的算子 只不过是描述季节序列的罢了；它们定义为 * AR(p)模型： 或者，用等价的算子符号， * AR(p)模型： 或者，用等价的算子符号， * 指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） * 指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） * AR(p)模型： 或者，用等价的算子符号， * 例：数据AR2.sav 下面再看剩下的残差序列是否还有什么模式。这还可以由残差的pacf(左)和acf(右)图来判断。可以看出，它们没有什么模式；这说明拟合比较成功。 * 例：数据AR2.sav 下图为残差对拟合值的散点图。看不出任何模式。说明残差的确是独立的和随机的。 * ARIMA (p,d,q)(P,D,Q)s模型 在对含有季节和趋势/循环等成分的时间序列进行ARIMA模型的拟合研究和预测时，就不象对纯粹的满足可解条件的ARMA模型那么简单了。 一般的ARIMA模型有多个参数，没有季节成分的可以记为ARIMA(p,d,q)，如果没有必要