- 1、本文档共88页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
应用时间序列分析 第六章 季节模型 本章要点和教学要求 本章讨论季节性时间序列分析方法。主要内容和要求: 季节性时间序列的特征; 季节性时间序列模型的结构,基本特征和性质; 季节时间序列建模的步骤; X-11季节调整的理论,技术和评价。 要求学生掌握有关季节时间序列建模方法,了解X11过程的原理。 一、季节时间序列表示 在许多的实际问题中,时间序列会显示出周期变化的规律,这种周期性是由于季节变化或其它物理因素所致,我们称这类序列为季节性时间序列。 单变量的时间序列为了分析方便,可以编制成一个2维的表格,其中一维表示周期,另一维表示某个周期的一个观测点,如表6.1所示。 二、季节时间序列的重要特征 季节性时间序列的重要特征表现为周期性,在一个序列中,如果经过S个时间间隔后观测点呈现出相似性,比如同处于波峰或波谷,我们就说该序列具有以S为周期的周期特性。具有周期特性的序列称为季节时间序列,S为周期的长度,不同的季节时间序列会表现出不同的周期,季度资料的一个周期表现为一年的四个季度,月度资料的一个周期表现为一年的12个月,周资料表现为一周的7天或5天。 【例6.1】 1994年到2005年某地牛奶产量的月度数据如表6.2。 图6.1 1994年到2005年某地牛奶产量趋势图 数据来源R软件的例子。 图6.2 1997年1月—2003年8月到北京海外旅游人数 从图6.1和图6.2可以看出影响一个季节性时间序列的因素除了有规律的季节因素以外,还存在不断增长的趋势变动和无规律的不规则变动等。例如从1997年1月到2003年8月随着时间推移到北京海外旅游人数逐年增加,这是趋势变动,又由于2003年非典的流行,使得到北京的海外旅游人数从2003年2月份锐减,这是不规则变动。 第二节 季节性时间序列模型 一、随机季节模型 图6.4 模拟数据的自相关图 一个纯季节性的非平稳时间序列的趋势图表现出图6.5的特征。其自相关函数在在滞后期为周期的倍数时,表现出高度的相关性,几乎不收敛,如在六个周期后自相关函数还为0.603。 如果一个季节性时间序列{yt} 通过(1-Bs)后为一平稳时间序列wt,即wt=(1-Bs) yt,则一阶子回归季节模型为: 更一般的季节性的SARIMA为 二、乘积季节性模型 (5.4)式的季节性SARIMA模型中,我们假定?t是白噪声序列,值得注意的是?t不一定是白噪声序列。因为(5.4)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的也有一定的相关性,所以模型可能有一定的拟合不足,如果假设?t是模型ARIMA(p,d,q),则(5.4)式可以改为乘积季节性模型。 三、常见的随机季节模型 在实际问题中,季节性时间序列所含的成分不同,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。 第三节 季节性模型的识别 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,否则会有欠拟合之嫌。如果不是一个具有显著季节性的时间序列,既使是一个月度数据资料,也不应该模拟季节性时间序列模型。下面我们讨论如何识别一个时间序列的季节性。 一、季节性MA模型的自相关函数 根据Box-Jenkins的建模方法,自相关函数和偏自相关函数的特征是识别非季节性时间序列的工具。 季节性时间序列模型实际上是一种特殊的ARIMA模型,不同的是它的系数是稀疏的,即部分系数为零,所以对于乘积季节模型的阶数识别,基本上可以采用Box-Jenkins的方法,考察序列样本自相关函数和偏自相关函数,从而对季节性进行检验。 下面以简单的AR和MA模型为例来说明这个概念。 假设某一季节性时间序列适应的模型为 【例6.1】假设某时间序列的周期s=12,该序列服从的模型为 求其自相关函数。 自协方差函数为: (二)季节性AR模型的偏自相关函数 更一般的情形,如果一个时间序列服从模型 另外如果季节时间序列的自相关和偏自相关函数在滞后期为周期S的整倍数时
文档评论(0)