R语言建模及预测.pdfVIP

R 语言下时间序列建模和预测研究 摘要： 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序 排列而形成的序列。研究时间序列的领域多的难以罗列，但是时间序列分析的目的一般有两 个方面：一是认识产生观测序列的随机机制，即建立数据生成模型；二是基于序列的已知数 据，对序列未来的可能取值给出预测或预报。本文在分析和理解平稳时间序列和非平稳时间 序列的基础上，在R 语言环境下，根据某一地震观测数据的时间序列，实现了对该时间序列 的平稳性分析，模型识别，参数估计，模型诊断，预测和更新。 关键字： 时间序列，平稳性分析，模型识别，参数估计，预测更新 1.引言 时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间 先后顺序排列而形成的序列。随着现代社会的发展，数据的产量越来越大，对于 数据时间序列的分析研究越来越多，时间序列的研究应用于很多领域，经济上用 于统计和预测经济增长等各项指标，在天气预报上，也通过对云层的观测序列， 预测未来的天气情况，在测量上的应用更是比比皆是。时间序列模型，可以根据 其平稳性可以分为平稳时间序列模型和非平稳时间序列模型。而平稳时间序列模 型又可以分为一般线性模型、滑动平均模型、自回归模型和自回归滑动混合模型; 而非平稳模型则是多种多样。 2.模型概述 2.1 平稳时间序列模型 平稳时间序列满足期望为零，均值在所有时间上均为常数，且任意两个时刻 的相关函数与时间t 无关，仅与两个时刻的时间差相关，平稳时间序列模型包括 [1] 一般线性过程、滑动平均过程、自回归过程、自回归滑动平均过程 。 2.1.1 一般线性过程 * + 一般线性过程 可以表示成现在和过去白噪声变量的加权线性组合： = + + +∙∙∙ (2.1) 1 −1 2 −2 如果表达式的右边事实上是一个无穷级数，那么需要给权数 加上一定条件， 这样右边的表达式才在数学上有意义，为此，只需假设 ∑∞ 2 ∞ (2.2) =1 2.1.2 滑动平均模型 当有限个系数不为零时，就得到了所谓的滑动平均过程，改变正负号，如 下式所示： = − − −∙∙∙ − (2.3) 1 −1 2 −2 − (2.3)式为q 阶的滑动平均过程，记作MA(q)。 2.1.3 自回归模型 * + 自回归过程就是用自身做回归变量，具体来说，p 阶自回归过程 Yt 满足方 程： = ∅ + ∅ +∙∙∙ +∅ + (2.4) 1 −1 2 −2 − (2.4)式为p阶的自回归模型，记为AR(p), ，序列Y 的当期值是自身最近p 滞后项和 t 新信息项 的组合，其中包含了序列在t 期无法用过去值来解释的所有新信息，因此对于 每一个t ，假设 独立于Yt−1 ，Yt−2 ，Yt−3 ∙∙∙ 2.1.4 自回归滑动平均混合模型 如果假定序列中部分是自回归过程，部分是滑动平均过程，就可以得到一