4.1- 时间序列分析及一般问题.pptVIP

第四章时间序列分析 从统计学的内容来看，统计所研究和处理的是一批有“实际背景”的数据，尽管数据的背景和类型各不相同，但从数据的形成来看，无非是横剖面数据和纵剖面数据两类(静态数据和动态数据)。 横剖面数据是由若干相关现象在某一时点上所处的状态组成的，它反映一定时间、地点等客观条件下诸相关现象之间存在的内在数值联系。研究这种数据结构的统计方法是多元统计分析。 纵剖面数据是由某一现象或若干现象在不同时刻上的状态所形成的数据，它反映的是现象以及现象之间关系的发展变化规律性。研究这种数据的统计方法就是时间序列分析。 时间序列分析是用随机过程理论和数理统计学的方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。 ?在大多数问题中，随机数据都是依照时间先后顺序排列的，故称为时间序列。它包括一般统计分析、统计模型的建立与推断以及随机序列的最优预测、控制和滤波等。 时间序列分析在第二次世界大战前就已应用于经济预测。二次大战中和战后，在军事科学、空间科学、气象预报和工业自动化等部门的应用更加广泛。近年来多维时间序列分析的研究有所进展。　 第一节  时间序列分析的一般问题 一、时间序列的含义 从统计意义上讲，所谓时间序列就是将某一个指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。这种数列由于受到各种偶然因素的影响，往往表现出某种随机性，彼此之间存在着统计上的依赖关系。 例1、国际航线旅客客票数. 图1给出某国际航空公司1949—1960年间客票月总数(单位：千张)的时间序列曲线。直观上看，每年有一次大的峰值和一次小的降值，并且逐年不断增加。 例2 图2是我国铁路客流量的统计曲线，记录了1971—1981年客票月总数．从铁路客流量的时间序列曲线上可见，每年都有一次较大的峰值，大约是在1、2月份，也就是每年的春节前后有一次最大的峰值． 时间序列分析的任务就是根据以往的数据找出变化规律，预报未来的客流量。 图1中列出的是某地电风扇1994年到1996年间各月的销售量(单位：万台)，按时间顺序排成一个数列，就是一个时间序列。 从数学意义上讲，如果我们对某一过程中的某一个变量或一组变量X(t)进行观察测量，在一系列时刻 t1，t2，…，tN(t为自变量，且t1＜t2 …＜tN ） 得到的离散有序数集合 Xt1，Xt2，…，Xti，…，XtN 称为离散数字时间序列，即随机过程的一次样本实现。设X(t:t∈T)是一个随机过程，Xti(i＝1，2，…)是在时刻i对过程X(t)的观察值，则Xti(i＝1，2，…)称为一次样本实现，也就是一个时间序列。 从系统意义上看，时间序列就是某一系统在不同时间(地点、条件等)的响应。这个定义从系统运行的观点出发，着重指出时间序列是按一定顺序排列而成的。这里的“一定顺序”既可以是时间顺序，也可以是具有各种不同意义的物理量，如代表长度、温度、速度或其它单调递增地取值的物理量。 可见，时间序列只强调顺序的重要性，而并非强调必须以时间顺序排列。 例如：材料裂纹长度与其承受的压力有关，将材料裂纹长度按其所受压力周期数排列，也是一个时间序列(见表2)，其散点图见图2。 材料裂纹长度与其承受的压力 时间序列是所研究系统的历史行为的客观记录，包含了系统结构特征及其运行规律。所以我们可以通过对时间序列的研究来认识所研究系统的结构特征(如周期波动的周期、振幅、趋势的种类等)；揭示其运行规律，进而用以预测、控制其未来行为；修正和重新设计系统(如改变其周期、参数)，使之按照新的结构运行。 综上所述，时间序列具有如下特点： 序列中的数据或数据点的位置依赖于时间，即数据的取值依赖于时间的变化，但不一定是时间t的严格函数。 每一时刻上的取值或数据点的位置具有一定的随机性，不可能完全准确地用历史值预测。 前后时刻(不一定是相邻时刻)的数值或数据点的位置有一定的相关性，这种相关性就是系统的动态规律性。 从整体上看，时间序列往往呈现某种趋势性或出现周期性变化的现象。 二、时间序列的主要分类 1、按所研究对象的多少分，分为一元时间序列和多元时间序列。 前面例子中所研究的只是某种商品销售量这一数列，即为一元时间序列；但是，如果我们所研究的对象不仅仅是这一数列，而是多个变量，如是按年、月顺序排列的气温、气压、雨量数据，每个时刻t对应着多个变量，则这种序列为多元时间序列。多元时间序列不仅描述了各个变量的变化规律，而且还揭示了各变量间相互依存关系的动态规律性。 2、按时间的连续性可将时间序列分为离散 时间序列和连续时间序列。 如果某一序列中的每一个序列值所对应的时间参数为间断点，则该序列就是一个离散时间序列； 如果某一序列中的每个序列值所对应的时间参数为连续函数，则该序列就是一个连续时间序