平稳时间序列ARMA预测法.pptxVIP

平稳时间序列预测法;目录;平稳时间序列： 设时间序列来自一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的。 实际应用中一般要求平稳性为“宽平稳”。;宽平稳： ;如果时间序列式平稳的，我们就可以用具有确定参数方程将时间序列模型化。并且利用以往的序列对模型的参数进行估计。 ARMA模型是一个研究平稳时间序列的模型 ;白噪声序列： 序列由独立同分布的随机变量构成。 对所有 都有;白噪声序列式最简单的平稳序列，在不同点上的协方差为0。该特性称之为“无记忆性”，意味着人们无法根据其过去的特点推断其未来的特点，其变化没有规律可循。 在时间序列的分析中，当模型的残差序列为白噪声序列时，可认为模型达到了较好的效果，剩余的残差中已没有可提取的信息。 ;自相关函数与偏自相关函数 ①自相关函数 过程 的第j阶自相关系数即 ，自相关函数记为ACF(j) 。 ;②偏自相关函数 偏自相关系数 度量了消除中间滞后项影响后两滞后变量之间的相关关系。偏自相关函数记为PACF(j) ;③自相关函数和偏自相关函数的联系 2阶以上的偏自相关函数计算公式较为复杂，这里不再给出。可自行查阅相关书籍。 ;ARMA模型 自回归移动平均模型（autoregressive moving average models,简记为ARMA模型），由因变量对它的滞后值以及随机误差项的现值和滞后值回归得到。 包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）。 ;AR（p）模型 自回归（AR）模型表示为： 其中为 为白噪音过程。 ;MA（q）模型 移动平均（MA）模型表示为： 其中为 为白噪音过程。 ;ARMA（p,q）模型 将AR模型与MA模型连起来： 其中为 为白噪音过程。 ;AR、MA模型的相互转化 结论一：平稳的AR(p)过程可以转化为一个MA(∞)过程，可采用递归迭代法完成转化 结论二：特征方程根都落在单位圆外的 MA(q)过程具有可逆性 平稳性和可逆性的概念在数学语言上是完全等价的，所不同的是，前者是对AR过程而言的，而后者是对MA过程而言的。 ;以上三个模型都要满足一下条件： 第一，平稳性。序列时平稳的。 第二，残差符合白噪声。 第三，AR的平稳与MA的可逆 ;ARIMA模型 将ARMA模型推广到非平稳的序列，就是ARIMA模型。 非平稳的序列通过若干次处理，如：取对数，差分等可化为平稳的序列。 经过d阶差分后得到平稳序列的ARMA(p,q)模型就是原序列的ARIMA(p,d,q)模型;ARIMA的建模流程图： ;周期性检验：谱分析 谱分析方法把时间序列 看成是由多种不同频率的规则波（正弦波或余弦波）迭加而成。在频率域上比较不同频率波的方差大小，从而找出波动的主要周期。对某一时间序列 的谱分析，有两种方法： 一是功率谱分析， 二是最大熵谱分析。;功率谱分析 在时域中, 如果假设标准化时间函数 自相关系数为 则功率谱 与自相关系数 通过傅里叶变换可建立如下关系： ;功率谱估计法 第一步，计算样本自相关系数： ;功率谱估计法 第二步，计算功率谱： ; 的最大值即为主要周期。 功率谱在分析时间序列的周期时存在如下问题： (1)功率谱不能兼顾高频和低频段的需要; (2)某些短周期振动易在一些周期长度为它们整数倍的长周期中表现出来,又混在长周期中; (3)所取样本较短时,不利于谱的分辩, 可能得出的周期与实际有偏离。;SPSS中的功率谱分析： 观察谱周期图； 做Fisher峰值检验； 有效的峰值处就是周期；;平稳性检验 一般地，以时间序列数据为依据的实证研究工作都必须假定有关的时间序列时平稳的，否则回导致谬误回归问题的出现。 先给出两种非平稳序列现象：d阶单整和协整，这两类非平稳序列经过变换可以达到平稳。;d阶单整：是指非平稳序列经过d阶差分后可以达到平稳。 协整：若两个或多个非平稳的变量序列，其线性组合后的序列呈平稳，则称这些序列见有协整关系。;先来看一个随机游动过程： 为白噪声序列 可以看出： 期望是常数，方差却随时间变化，是非平稳过程。;单位根过程： 其中 ， 是一个平稳过程，且 ， 可见，随机游动过程是单位根过程的一个特例。 ;单位根检验： 目前使用比较广泛的是Dickey-Fuller Test（DF检验）是Dickey和Fuller在20世纪