统计学第四版时间序列预测幻灯片.ppt

ARIMA模型的识别(ARMA模型) ? 自回归移动平均(autoregression-moving average)模型，简称ARMA模型，是ARMA模型是由AR(p)模型和MA(q)模型混合而成的 ARMA(p,q) AR(p)模型 MA(q)模型 + ARIMA模型的识别(ARMA模型的识别) ? ARMA序列的自相关图和偏自相关图具有的典型特征 自相关图和偏自相关图都是逐渐趋于0而不是突然变为0，或者说自相关图和偏自相关图都拖尾 为了确定模型的阶数，需要计算AR项中偏自相关系数显著不为0的项，以及MA项中自相关系数显著不为0的项。如果AR的偏自相关系数有1项显著不为0，MA的自相关系数有1项显著不为0，那这就是一个ARMA(1，1)模型 ARIMA模型的识别(ARIMA模型) 使用ARMA模型进行预测时，要求时间序列必须是平稳的，即时间序列中没有趋势、季节和循环成分，其观测值的平均数不随时间的变化而变化 现实中的很多序列都是非平稳的，其自相关系数的特点是：开始通常显著不为0，然后逐渐趋于0，或者在自相关图中呈现出一种伪模式(spurious pattern)。这时使用自相关图或偏自相关图来识别模型就可能产生误判 对于非平稳序列，在选择模型之前需要对其进行修正时期平稳化。消除非平稳性的办法之一就是进行差分(difference)，也就是将时间序列中的每期观测