第十三章 多元统计课件.pdfVIP

第十三章 经典时间序列分析 在自然科学、社会科学和工程技术的许多领域，普遍存在着按时间顺序发生的随机现象，人 们通过观测把这些现象记录下来便成为可供分析的随机数据。所谓时间序列通常就是指这种有序 的随机数据。 传统的时间序列分析主要采用周期图分析与相关分析等非参数方法。从非参数方法到参数方 法是一个突破，标志着现在时间序列分析的开始。1927年，G.U.Yule提出了AR模型，1931年， G.Walker用AR模型进行了预测，随着发展产生了ARMA模型，多维ARMA模型，ARIMA模型， 还有非平稳时序模型和非线性时序模型。1976年Box和Jenkins 出版了《时间序列分析：预测和控 制》解决了60年代经济计量学和时间序列分析分歧，并发展了一种广义的ARIMA模型，提出了如 何使用时序分析进行数据分析的理论和技术。包括：模型的识别、模型的参数估计、模型的校验 和诊断、预测。 ARIMA 过程提供了一个综合软件包来进行一元时间序列的模型识别、参数估计和预测。并 且可以在运用 ARIMA 模型中灵活使用这个软件包中的工具。ARIMA 过程可以解决：季节 ARIMA 模型、因子 ARIMA 模型、干预或中断时间序列模型、带 ARIMA 误差的回归模型等。 13.1 ARIMA 模型概述 一、ARMA 模型 若 {X }服从p 阶自回归q 阶移动平均模型，记为 ARMA (p , q) 模型。则可表示为： t X −φX −−φ X φ =+Z −θZ −−θ Z t 1 t −1 p t −p 0 t 1 t −1 q t −q 其中 {Z }是白噪声序列，p 和q 都是非负整数。引入后移算子，上述模型可表示为： t (1−ϕB −−ϕ B p )X φ =+(1−θB −−θ Bq )Z 1 p t 0 1 q t 其中，模型的自回归多项式（或 AR 多项式）为Φ(B ) 1=−φB −φ B p ，移动平均多项式（或 1 p MA 多项式）为Θ(B ) 1=−θB −−θ B q 。这里，要求多项式Φ(B ) 与Θ(B ) 没有公共的因子。 1 q 为了保证模型是平稳的，要求自回归方程Φ(B ) 0 的根全部在单位圆外。为了保证是可逆的，要 求移动平均方程Θ(B ) 0 的根全部在单位圆外。 若Θ(B ) ≡1 ，则称为p 阶自回归模型，简称为 AR (p ) 模型；若Φ(B ) ≡1 ，则称为q 阶移动 平均模型，简称为 MA (q) 模型。AR (p ) 模型的自相关函数（ACF ）呈拖尾特征，而偏自相关函 数（PACF ）是p 阶截尾的。MA (q) 模型的自相关函数是q 阶截尾的，而偏自相关函数呈拖尾特 征。ARMA (p , q) 模型的自相关函数和偏自相关函数都是拖尾的。利用 ARMA 模型的这些统计特 征为以后的模型识别是有所帮助的。 在 SAS 系统中，ARMA (p , q) 模型表示为： Θ(B ) X t μ=+ Zt Φ(B ) 第 231 页 SAS 统计分析 其中常数项为μ φ /(1 =−φ −−φ ) 。若常数项μ 0 ，则为零均值的ARMA (p , q) 模型。