ρ γ γ γ ρ = ρ.pdfVIP

2013 参考数学建模常用方法： 数学建模常用方法系列资料由圣才大学生数学建模竞赛网整理收集。希望能对您有所帮 助！ 时间序列分析法 ARIMA （autoregressive integrated moving average models ）时间序列模型 一般概念； 系统中某一变量的观测值按时间序列（时间间隔相同）排列成一个数值序列，展示研究 对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。他是系 统中某一变量受其他各种因素影响的总结果。 变动特点： 趋势性：某个变量随时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下 降、停留的同性质变动趋势，但变动幅度可能不等。 周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。 随机性：个别为随机变动，整体呈统计规律 综合性：实际变化情况一般是几种变动的叠加或组合。预测时一般设法过滤去不规则变 动，突出反映趋势性和周期性变动。 特征识别：认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法 随机性：均匀分布、无规则分布，可能符合某统计分布（用因变量的散点图和直方图及 其包含的正态分布检验随机性，大多服从正态分布） 平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为 常数   /  y  1 特征识别利用自相关函数 ACF ： k k 0 ，其中 k 是 t 的k 阶自协方差，且 0 ， －1k 1 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0，前者测度当前序列 与先前序列之间简单和常规的相关程度，后者是在控制其它先前序列的影响后，测度当前序 列与某一先前序列之间的相关程度。 实际上，预测模型大都难以满足这些条件，现实的经济、金融、商业等序列都是非稳定 的，但通过数据处理可以变换为平稳的。 基本步骤： 分析数据序列的变化特征 选择模型形式和参数检验 利用模型进行趋势预测 评估预测结果并修正模型 自回归 AR （p ）模型（自己影响自己，但可能存在误差，误差即没有考虑到的因素） 模型意义 仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受 模型变量互相独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量 选择、多重共线性的比你更造成的困难 用 PACF 函数判别（从p 阶开始的所有偏自相关系数均为 0 ） 移动平均 MA （q ）模型 模型含义 用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。AR （q ）的假设 条件不满足时可以考虑用此形式。 用 ACF 函数判别（从 q 阶开始的所有自相关系数均为 0 ） 自回归移动平均 ARMA （p ，q ）模型 识别条件  r 平稳时间序列的偏相关系数 k 和自相关系数 k 均不截尾，但较快收敛到 0，则该时间序 列可能是 ARMA （p ，q ）模型。实际问题中，多数要用此模型。因此建模解模的主要工作    y 时求解p ，q 和 、 的值，检验 t 和 t 的值。 模型阶数 实际应用中 p ，q 一般不超过 2 ． 自回归综合移动平均 ARIMA （p ，d，q ）模型 模型含义 模型形式类似 ARMA （p ，q ）模型，但数据必须经过特殊处理。特别当线性时间 序列非平稳时，不能直接利用 ARMA （p ，q ）模型，但可以利用有限阶差分使非平稳时间 序列平稳化，实际应用中 d （差分次数）一般不超过2 ． 模型识别 