第八章节 季节性时间序列模型.pptVIP

同样的思路，一个一阶移动平均季节模型为 或 (8.7) 推广之，季节性的SARIMA为 (8.8) 其中， 二、乘积季节模型 式(8.8)的季节性SARIMA模型中，我们假定是 白噪声序列，值得注意的是实际中 不一定是白噪声序列。因为式(8.8)的模型中季节差分仅仅消除了时间序列的季节成分，自回归或移动平均仅仅消除了不同周期相同周期点之间具有的相关部分，时间序列还可能存在长期趋势，相同周期的不同周期点之间也有一定的相关性，所以，模型可能有一定的拟合不足，如果假设 是ARIMA（p,d,q）模型，则式(8.8)可以改为 (8.9) 其中， 称式(8.9)为乘积季节模型，记为 。如果将模型的AR因子和MA因子分别展开，可以得到类似的 模型，不同的是模型的系数在某些阶为零，故 是疏系数模型或子集模型。 三、常见的随机季节模型 为了读者学习起来方便，这里列举几个常见的随机季节模型，并简介其生成的过程。 在实际问题中，季节性时间序列所含有的成分不同，记忆性长度各异，因而模型形式也是多种多样的。这里以季节周期S=12为例，介绍几种常见的季节模型。 模型一 (8.10) 模型(8.10)先对时间序列 做双重差分，移动平均算子由 和 两个因子构成，该模型是交叉乘积模型 。实际上该模型是由两个模型组合而成。由于序列存在季节趋势，故先对序列进行季节差分 ，差分后的序列是一阶季节移动平均模型，则 (8.11) 但式(8.11)仅仅拟合了间隔时间为周期长度点之间的相关关系，序列还存在非季节趋势，相邻时间点上的变量还存在相关关系，所以模型显然拟合不足， 不仅是非白噪声序列而且非平稳， 如满足以下的模型 (8.12) 式(8.12)拟合了序列滞后期为一期的时间点之间的相关， 为白噪声序列，将式(8.12)代入式(8.11)，则得到模型一。 模型二 (8.13) 模型(8.13)也是由两个模型组合而成，一个是 (8.14) 它刻画了不同年份同月的资料之间的相关关系，但是又有欠拟合存在，因为 不是白噪声序列。如果 满足以下MA（1）的模型，则 (8.15) 将式(8.15)代入式(8.14)，得到模型二。 4.3 季节性检验和季节模型的建立 检验一个时间序列是否具有季节性是十分必要的，如果一个时间序列季节性显著，那么拟合适应的季节时间序列模型是合理的，否则会有欠拟合之