计量经济学-sarima模型.pptVIP

浅析SARIMA模型 Seasonal Autoregressive Integrated Moving Average 目录 引入 SARIMA模型（Seasonal Autoregressive Integrated Moving Average），季节性差分自回归移动平均模型，是一种时间序列预测分析方法。 SARIMA 模型来源于自回归单整移动平均模型（ARIMA），能够采用Box-Jenkins 的模型识别、估计和预测程序, 因此很方便随着更多历史数据的获得而对模型进行实时调整, 这样不仅能保障模型的预测精度而且很容易应用于实时预测. SARIMA 模型的一般形式为: 与ARMA相比 运用ARMA 模型的前提条件是时间序列为零均值的平稳随机过程。对于包含趋势性或季节性的非平稳时间序列, 须经过适当的逐期差分及季节差分消除趋势影响后, 再对形成的新的平稳序列建立ARMA( p, q) 模型进行分析。对于只包含趋势性的原序列, 可表示为ARIMA( p, d, q) 模型( 求和自回归移动平均模型) , 若原序列同时包含趋势性和季节性, 则可表示为SARIMA( p, d, q) ( P, D, Q)s 模型( 乘积季节ARIMA 模型) , 式中, d, D 分别为逐期差分和季节差分的阶数, p, q 分别为自回归和移动平均的阶数, P, Q 分别为季节自回归和季节移动平均的阶数。 案例简介 本案例是基于论文A Time Series Model to Forecast Electricity Consumption in Taiwan 近年来由于经济的快速成长及工商业的高度发展，导致台湾地区电力消费速度呈现快速增长。由于各行各业及家计单位之日常生活而言，皆离不开电力之使用，故有需要构建一套合理的时间数列模式，针对未来之电力需求进行预测，以提供相关单位作为能源规划之参考。 案例简介 该论文以台湾地区电消耗量运量月数据为时间序列变量，自1997 年1 月至2008 年12 月共144 笔月数据(以千瓦为单位) ，其趋势如图 所示。 数据处理 首先将原始数列取对数转换，其次以单跟检定，检定是否为定态。由下表 结果可以发现t 值大于1%、及5%的临界值，表示原始无法拒绝单根存在，因此我们可以得知电力消费走势非为定态 数据处理 由于数列为非定态，故针对数列进行一阶差分。观察下图 之一阶差分后的ACF 与 PACF 图，可以发现趋势基本上已经消除。但当k 为12、24 或36 时，样本自我相关及偏自自我相关系数显著不为0。表示有季节性因素存在，因此再次对序列做季节性差分。 数据处理 下图 为对电力消费数列取1 阶差分及季节性差分后的趋势图，由下图中可观察数列大致上呈现定态，故可以此数据进行模式的构建。 参数估计 经过一阶差分后，序列趋势消除， d=1，经过一阶季节差分后，季节性趋势消除， D=1。由于SARIMA模式需估计P、Q及p、q等参数，本研究以试误法进行模式之基本估计，其中，P、Q均估计至3 期，若所估计的模式参数不显著，则需予以删除。初步估计结果，共有四组模式符合标准， 分别为 SARIMA(2,1,0)(1,1,0)12 、SARIMA(2,1,0)(1,1,1)12 、SARIMA(1,1,1)(1,1,0)12、SARIMA(2,1,3)(0,1,1)12。 参数估计 次将上面四种模式以JB 统计量进行残差是否符合常态分配的基本假设。检定结果只有SARIMA(2,1,3)(0,1,1)12之残差符合常态分配，故本研究最终选取此一模式，做为 SARIMA 模式之使用，此模式之相关参数如下表 所示。其残差如下图 所示 模型预测 本研究采取平均误差百分比 (MAPE) 验证模式的预测能力。经估计与检定后，将所校估的模式以2007 年1 月至2008 年12 月共24 笔月实际数据，与所建构之模式进行样本外预测值做比较，以评估模式预测能力，结果如下表 所示。由下表 可知，2007 年及2008 年之预测误差分别为2.31%及5.94%，两者皆小于10%的误差水平，属于高数正确。 模型预测 下图 为实际值与预测值的变动趋势图。观察下图预测值之趋势，基本上和实际值保持一致，表示本研究所构建模式的预测绩效高度正确，将可有效的用于台湾地区电力消费之预测使用。 结论 本研究以SARIMA 模式构建台湾地区电力消费预测之时间数列模型。经由单根检定得知，台湾地区的电力消费资料呈现非定态之状态，且具有季节性，在2 月以后呈现向上趋势，直到九月达到巅峰。在所估计的模式 中，以SARIMA(2,1,3)(0,1,1)12为最佳的预测模式，经由样本外的预测结果显示，相对误差都在10% 以内，显示预测绩效良好。本研究所构建的模式将可