间序列分析与预测(大连理工大学,原毅军).ppt

* * * 1次差分加季节差分后的序列自相关函数图 * 1次差分加季节差分后的序列偏自相关函数图 * 由自相关函数图知lag1与lag12显著 由偏自相关图知是截尾的（dies down） 模型的初步确定 * 通过观测模型残差的自相关函数图和偏自相关函数图是否小于2倍标准差，判断模型是否合适 诊断分析 * 残差的自相关函数图和偏自相关函数图中 lag6 显著，所以模型中再加入lag6 * 新模型残差的自相关函数图 * ACF和PACF之殘差圖皆在2倍標準差內，故模式合適。 新模型残差的偏自相关函数图 * * * * * * * * * * * * * * * * * * * * * * * * * * 随机性时间序列模型 由美国学者博克思（G. E. P. BOX)和英国学者詹金斯 (G. M. JENKINS) 首先提出的. 模型的性质 把时间序列数据作为随机过程产生的样本来分析 平稳性时间序列 非平稳性时间序列 利用时间序列的自相关关系建立模型 通过反复实验确定时间序列的最佳模型 * 时间序列的分类 平稳序列 有趋势序列 复合型序列 非平稳序列 时间序列 * 随机性时间序列模型的特点 把时间序列数据作为由随机过程产生的样本来分析 多数影响时间序列的因素具有随机性质，因此时间序列的变动具有随机性质 随机过程分为平稳随机过程和非平稳随机过程 由平稳随机过程产生的时间序列叫做平稳性时间序列 由非平稳随机过程产生的时间序列叫做非平稳性时间序列 * 时间序列的分类 平稳序列(stationary series) 基本上不存在趋势的序列，各观察值基本上在某个固定的水平上波动 或虽有波动，但并不存在某种规律，而其波动可以看成是随机的 非平稳序列 (non-stationary series) 有趋势的序列：线性的，非线性的 有趋势、季节性和周期性的复合型序列 * 平稳时间序列 * 非平稳时间序列 * 平稳性时间序列 由平稳随机过程产生的时间序列的性质： 概率分布函数不随时间的平移而变化，即： P（Y1，Y2，… …，Yt）=P（Y1+m，Y2+m，… …，Yt+m) 期望值、方差和自协方差是不依赖于时间的常数，即： E（Yt）=E（Yt+m） Var（Yt）= Var（Y t+m） Cov（Yt，Y t+k）= Cov（Y t+m，Y t+m+k） 随机性时间序列模型是以时间序列的平稳性为基础建立的 * 随机性时间序列的特点 平稳随机过程的性质意味着，平稳性时间序列围绕某一水平随机波动。时间序列模型中的参数不依赖于时间的变化 现实生活中，多数时间序列是非平稳的。受各种因素影响，时间序列很难长期停留在同一水平上 随机时间序列模型的建摸理论和方法以平稳性为基础，非平稳性时间序列可以通过一次或多次差分的方式变成平稳性时间序列 * 随机性时间序列模型的特点 利用时间序列中的自相关关系进行分析和建摸 时间序列的自相关关系是指时间序列在不同时期观测值之间的相关关系 许多因素产生的影响不是瞬间的，而是持续几个时期或更长时间，因此时间序列在不同时期的值往往存在较强的相关关系 用自相关函数和偏自相关函数衡量时间序列中的自相关关系 * 时间序列的自相关关系 自相关函数 随机过程的自相关函数 样本的自相关函数 偏自相关函数 随机过程的偏自相关函数 样本的偏自相关函数 * 自相关函数 对于平稳随机过程，滞后期为 K 的自相关函数定义为滞后期为 K 的自协方差与方差之比 * 样本自相关函数 * 样本自相关函数的性质 对称性，即： 提供了有关时间序列变化的重要信息，反映了时间序列的变化规律 则Yt 和 Y t+k 可能同时大于或小于平均值 * 样本自相关函数的性质 可以用来判断时间序列的平稳性 平稳性时间序列的样本自相关函数值随滞后期的延长很快趋近于零 可以较好描述季节性变动或其他周期性波动的规律 如果季节变化的周期是 12 期，观测值 Yt 与 Yt+12，Yt+24，Yt+36之间存在较强自相关关系 因此，当 K=12，24，36，48,……时，样本自相关函数值在绝对值上大于它周围的值 * 偏自相关函数值 滞后期为 K 的偏自相关函数值是指去掉 Y t+1，Y t+2，Y t+3， …… Y t+k-2，Y t+k-1 的影响之后，反映观测值Yt和Y t+k之间相关关系的数值 * 随机性时间序列模型的特点 建摸过程是一个反复实验的过程 借助自相关函数值和偏自相关函数值确定模型的类型 借助诊断性检验判断模型的实用性 * 时间序列最佳模型的确定 出发点：模型总类 选择暂时试用的模型 估计模型中的参数 诊断检验：模型是否适用 运用模型分析和预测 * 模型分类 总类模型 移动平均模型 MA(q) (Movin