shz_10_SAS时间序列预测系统.ppt

拟合ARIMA模型 ARMA 模型试图用较少的参数描述时间序列的数据。能够这样做的代价是时间序列的主要统计特性不随时间而改变，这就是通常所说的平稳性的假定。 ARMA 模型可以近似地描述所有的满足平稳性假定的时间序列 ARIMA 模型是ARMA模型的推广，它可适用于一类有趋势和周期变化的时间序列 * 拟合ARIMA模型平稳性 平稳性意味着时间序列不同时间的均值和方差 是不变的，不同时间点间的相关只依赖时间差 * 拟合ARIMA模型平稳性 为了从时间序列的数据来了解它的平稳性, 通常的做法是： 查看序列数据本身和它的散点图(不平稳的序列很容易从图形上发觉) 计算序列的样本自相关函数(SACF--Sample AutoCorrelation Function) * 拟合ARIMA模型平稳性 * 美国烟草销售量的数据 查看序列数据本身和它的散点图(不平稳的 序列很容易从图形上发觉) 时间序列的自相关函数(ACF: Autocorrelation Function) 自相关函数： * 用于查看平稳性周期性和辨识模型: 协方差函数： 拟合ARIMA模型平稳性 * 这是一个典型的平稳 序列的自相关函数 这个自相关函数很慢的衰减 表明时间序列是不平稳的 拟合ARIMA模型消除非平稳性和季节效应 为了减缓或消除时间序列的不平稳性，常用的做法是对时间序列进行各种变换： 简单的差分变换可以消除或减缓均值单调变化的效应 在差分之前进行变换(如对数变换)控制变异随水平增长而增大 * 拟合ARIMA模型消除非平稳性和季节效应 * 原始序列Yt不平稳， 有线性增长趋势 作差分变换 Zt=(I-B)Yt =Yt-Yt-1 拟合ARIMA模型消除非平稳性和季节效应 * Yt Wt=Zt-Zt-1, Zt=Log(Yt) 为了控制方差的稳定性，可以先对序列进行对数变换(平方根变换等)，而后再进行差分变换. 拟合ARIMA模型消除非平稳性和季节效应 季节效应通常是指时间序列数据呈现出很强的按时间的周期变化(以年或其它时间周期)。 它会在样本自相关函数中有明显的反映 --间隔为周期的相关函数值有明显的峰值. * 拟合ARIMA模型消除非平稳性和季节效应 类似于用减大差分消除线性增长，对季节效应常使用季节差分变换:  Zt=(1-Bp)Yt=Yt-Yt-p, p为周期 * Yt Zt SACF 拟合ARIMA模型消除非平稳性和季节效应 许多序列需要同时使用几种变换才能达到平稳性 * Zt=Yt-Yt-1 Yt Wt=Zt-Zt-12 拟合ARIMA模型消除非平稳性和季节效应 对时间序列过多地使用差分或季节差分虽然不破坏序列的平稳性，但对拟合模型并无好处。所以这也是需要防止的。 样本逆自相关函数(SIACF)可以帮助发现这一点。过度差分的序列的SIACF会很慢地衰减为零 * 拟合ARIMA模型消除非平稳性和季节效应 * 过度差分序列的SIACF 一般平稳序列的SIACF 时间序列的偏自相关函数(PACF:Partial Autocorrelation Function) * 用于识别自回归模型. 计算公式 逆自相关函数(IACF) 拟合 AR(p)(p=min(NLAG,N/2)) 用估计得到的自回归系数去计算相应MA(p)模型的自相关函数 * 有类似于偏自相关的作用 便于识别过多的差分运算 拟合ARIMA模型预处理小结 在时间序列预分析阶段可使用SACF： 察看平稳性 察看季节效应 若序列不平稳 简单或/和季节差分变换消除SACF的缓慢衰减 使用差分前的变换控制方差的稳定性 用SIACF防止过度使用差分变换 * AR(1)模型 * AR(1)模型 * ARMA(1,1)模型 * ARMA模型 AR模型 自回归模型(Autoregressive Model)AR(1)AR(p) e(n):白噪声序列 p : 自回归的阶 特征：自相关呈指数衰减 偏自相关为截尾的PR(n)=0, |n|p * ARMA模型 MA模型 滑动平均模型(Moving Average Model) MA(1)MA(q) e(n):白噪声序列 q : 滑动平均的阶 特征： 偏自相关呈指数衰减 自相关为截尾的PR(n)=0, |n|q * ARMA模型 一般ARMA模型 滑动平均自回归模型(Autoregressive Moving Average Model) ARMA(p,q): 特征：自相关和偏自相关都是指数衰减的 * ARIMA模型(Integrated Autoregressive Moving Average Mo