博克斯-詹金斯预测.docVIP

博克斯—詹金斯预测法 概述 模型简介 博克斯—詹金斯法，简称B－J法或ARMA法，是以美国统计学家Geogre E.P.Box和英国统计学家Gwilym M.Jenkins的名字命名的一种时间序列预测方法。它主要试图解决以下两个问题：一是分析时间序列的随机性、平稳性和季节性；二是在对时间序列分析的基础上，选择恰当的模型进行预测。其预测模型分为：自回归模型（简称AR模型）、滑动平均模型（简称MA模型）和自回归滑动平均混合模型（简称ARMA模型）。下面分别介绍这三种模型： 自回归模型 自回归模型的公式为： （9－1） 式（9－1）中：p是自回归模型的阶数，原则上p可为任意非负整数，但是在实际应用中p的取值在1～2之间；Yt是时间序列在期的观测，Yt-1是该时间序列在t-1期的观测值，类似的，Yt-p是时间序列在t-p期的观测值；Ф1, Ф2,…, Фp为自回归模型的参数；et是误差或偏差，表示不能用模型说明的随机因素。 滑动平均模型 滑动平均模型的公式为： （9－2） 式（9－2）中：q是滑动平均模型的阶数，原则上q可为任意非负整数，在实际应用中q的取值在1～2之间；Yt是时间序列在t期的观测；et是时间序列模型在t期的误差或偏差，et－1是该时间序列模型在t-1期的误差或偏差，et－2是该时间序列模型在t-2期的误差或偏差，类似地，et－q是时间序列模型在t-q期的误差或偏差；Ф1, Ф2,…, Фp滑动平均模型的参数。 自回归滑动平均混合模型 自回归模型与滑动平均模型的有效组合，便构成了自回归滑动平均混合模型，即： （9－3） 各参数的含义和自回归和滑动平均模型相同。 博克斯—詹金斯法的基本思想 博克斯—詹金斯法依据的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，即除去个别的因偶然原因引起的观测值外，时间序列是一组依赖于时间t的随机变量。这组随机变量所具有的依存关系或自相关性表征了预测对象发展的延续性，而这种自相关性一旦被相应的数学模型描述出来，就可以从时间序列的过去值及现在值来于预测其未来值。可见，博克斯－詹金斯法是以时间序列的自相关分析为基础的。 博克斯—詹金斯法的预处理 运用博克斯—詹金斯法的前提条件是：作为预测对象的时间序列是一组零均值的平稳随机序列。平稳随机序列的统计特性不随时间的推移而变化。直观地说，平稳随机序列的折线图无明显的上升或下降的趋势如图9－1。但是，大量的社会经济现象随时间的推移，总表现出某种上升或下降的趋势，构成非零均值的非平稳的时间序列。对此的解决方法是在应用ARMA模型之前，对时间序列先进行零均值化和差分平稳化处理。 1．零均值化处理 所谓零均值化处理，就是指对均值不为零的时间序列中的每一项数值都减去该时间序列的平均数，构成一个新的均值为零的时间序列，即： （9－4） 式中：是原时间序列的平均数；n是时间序列的个数。 2．差分平稳处理 所谓差分平稳处理，就是指对零均值的非平稳时间序列进行差分，使之成为平稳的时间序列。即对序列Yt进行一阶差分，得到一阶差分序列： （9－5） 对一阶差分序列再进行一阶差分，得到二阶差分序列： （9－6） 依此类推，可以得到n阶差分序列。一般情况下，非平稳序列在经过一阶差分或二阶差分后都可以实现平稳化。 博克斯—詹金斯法的预测流程 博克斯和詹金斯在说明他们的预测方法时，曾绘制了图9－2所示的流程图。该预测方法把预测问题分为三个阶段：（1）模型识别；（2）模型参数估计和模型的检验；（3）预测应用。 在图9－2中，先假设预测模型的一般分类，博克斯—詹金斯法使用的模型是ARMA模型体系。 第一阶段：利用自相关分析和偏自相关分析等方法，分析时间序列的随机性、平稳性和季节性，并选定一个特定的模型以拟合时间序列数据。模型的识别是博克斯—詹金斯法预测中至关重要的一步。识别模型是否恰当，需要有一个可以比较的标准，这里给出的标准是：对一般ARMA模型体系中的一些特征，分析其理论特征，把这种特定模型的理论特征，作为鉴别实际模型的标准，观测实际资料与理论特征的接近程度。最后，根据这种分类比较分析的结果，来判定实际模型的类型。 第二阶段：用时间序列的数据，估计模型的参数，并进行检验，以判定该模型是否恰当。如不恰当，则返回第一阶段，重新确定模型。 第三阶段：当一个恰当的模型选定以后，便进入了第三阶段，即对将来的某一时刻的数值做出预测。 重要参数解释 ARMA模型的自相关分析 博克斯—詹金斯法是以时间序列的自相关分