[数学]统计建模-秩和相关_灰色系统_时间序列分析.ppt

8.秩和相关系数 Spearman秩相关系数与Kendall秩相关系数 Spearman秩相关系数为 8.秩和相关系数 Kendall(肯德尔)系数的定义 : Kendall秩相关系数rk也可反映两组变量的等级或秩相关的程度。 Kendall秩相关系数rk又称为一致性系数或和谐系数。 8.秩和相关系数 试分别根据Spearman相关系数和Kendall相关系数分析这三方面能力的等级有无相关关系。 data ex; input x y @@; cards; 2 5 6 6 4 3 7 8 3 1 8 7 5 2 1 4 9 9 ; proc corr spearman kendall; run; 8.秩和相关系数 运行结果分析： 从Simple Statistics中可以得出x和y 的数量，均值，标准差，中值，最小值及最大值；从Spearman Correlation Coefficients可得出Spearman相关系数为0.71667，显著性概率为0.0298；从Kendall Tau b Correlation Coefficients得出Kendall相关系数0.55556，显著性概率为0.0371；从P值可知，投篮率与弹跳率的这两方面能力等级有较高的相关关系 9. 灰色预测:概述 进入/ 网站，点击 10 时间序列分析 1. 时间序列数据的预处理：平稳性检验、纯随机性检验 1学时 2. 平稳时间序列数据分析 2.5学时 3. 非平稳平稳时间序列数据分析 1.5学时 10.1 平稳性检验 特征统计量 平稳时间序列的定义 平稳时间序列的统计性质 平稳时间序列的意义 平稳性的检验 10.1 平稳性检验 概率分布的意义 随机变量族的统计特性完全由它们的联合分布函数或联合密度函数决定 时间序列概率分布族的定义 几个重要数字特征：均值 、方差、自协方差、自相关系数 10.1 平稳性检验 平稳时间序列的定义 严平稳 严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。 宽平稳 宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。 10.1 平稳性检验 满足如下条件的序列称为宽平稳序列 10.1 平稳性检验 常数均值 自协方差函数和自相关函数只依赖于时间的平移长度而与时间的起止点无关 延迟k自协方差函数 延迟k自相关系数 平稳时间序列的意义 时间序列数据结构的特殊性 可列多个随机变量，而每个变量只有一个样本观察值 平稳性的重大意义 极大地减少了随机变量的个数，并增加了待估变量的样本容量 极大地简化了时序分析的难度，同时也提高了对特征统计量的估计精度 10.1 平稳性检验 （图检验方法） 时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征 自相关图检验 平稳序列通常具有短期相关性。该性质用自相关系数来描述就是随着延迟期数的增加，平稳序列的自相关系数会很快地衰减向零 10.1 平稳性检验 例1.1 检验1964年——1999年中国纱年产量序列的平稳性 例1.2 检验1962年1月——1975年12月平均每头奶牛月产奶量序列的平稳性 例1.3 检验1949年——1998年北京市每年最高气温序列的平稳性 data a;input sha@@; year=intnx(year,1964,_n_-1);format year year4.; dif=dif(sha); cards; 97 130 156.5 135.2 137.7 180.5 205.2 190 188.6 196.7 180.3 210.8 196 223 238.2 263.5 292.6 317 335.4 327 321.9 353.5 397.8 436.8 465.7 476.7 462.6 460.8 501.8 501.5 489.5 542.3 512.2 559.8 542 567 ; proc gplot;plot sha*year=1 dif*year=2; symbol1 v=circle i=join c=black; symbol2 v=star i=join c=red; proc arima data=a;identify var=sha nlag=22; run; 例1.2 自相关图 例1.3时序图 例1.3自相关图 10.2 纯随机性检验 纯随机序列