第二十二章-常用统计预测方法3—ARIMA.pptVIP

第三节 ARIMA预测方法 　　　传统的时间序列分析的应用, 主要是确定性的时间序列分析方法, 包括指数平滑法、滑动平均法、时间序列的分解等等, 这些方法的应用有一个前提条件: 时间序列的随机性部分相对来说并不显著。事实上, 这一条件在大多数情况下都是不成立的。因为, 随着社会的发展, 许多不确定性因素的影响越来越大, 必须引起人们的重视。 　　1970 年, Box 和Jenkins 提出了以随机理论为基础的时间序列分析方法, 使时间序列分析理论上升到一个新的高度, 预测的精确度大大提高。 其基本模型有三种: 　自回归(AR) 模型; 　滑动平均(MA) 模型 　自回归滑动平均(AR IMA) 模型。 　两个问题： （1）分析时间序列的随机性、平稳性和季节性； （2）在对时间序列分析的基础上，选择适当的模型进行预测 (AR(p),MA(q),ARIMA(p, d,q))。 1 ARIMA预测数学模型 自回归滑动平均混合模型（autoregressive integrated moving average) 　 ARIMA(p,d,q) 　其中：p为自回归的阶数；d为差分阶数；q为滑动平均阶数。 ARIMA模型可分为： (1)自回归模型(AR),即ARIMA(p,0,0); (2)滑动平均模型(MA),即ARIMA(0,0,q); (3)自回归滑动平均混合模型(ARIMA(p,d,q))。 ARIMA方法依据的基本思想： 　　将预测对象随时间推移而形成的时间序列视为一个随机序列，即除去个别偶然原因引起的观测值外，时间序列是一组依赖于时间t的随机变量。 　　　这组随机变量所具有的依存关系或自相关性表征了预测对象发展的延续性，而这种自相关性一旦被相应的数学模型描述出来，就可以从时间序列的过去及现在的值预测未来值。 运用ARIMA方法的前提条件： 　作为预测对象的时间序列是一零均值的平稳时间序列。 　平稳随机序列的统计特性不随时间的推移而变化。直观的看，平稳随机序列的折线图无明显的上升或下降趋势。（如图22－10） 对非零均值的非平稳的时间序列，若用ARIMA预测方法，需先对时间序列进行零均值化和差分平稳化处理. 零均值化：对均数不为零的序列每一项都减去该序列的平均数，构成一个均值为零的新的时间序列　　　　　　。 　 如例22－2：可取 差分平稳化处理 (I) 　　对均值为零的非平稳时间序列进行差分，使之成为平稳时间序列。一般情况下，非平稳序列经过一阶差分或二阶差分都可以平稳化。如：有线性增长趋势的时间序列可用一阶差分；若为二次增长可用二阶差分。 具体计算： 自回归模型(AR) 经典统计中的回归模型： 表示因变量对于自变量依赖（相关）关系。等式右侧将随机变量 分解成两部分，一部分是自变量 它们代表某些已知的可变化因素；另一部分是残差量 ，它是由一些不可捉摸的因素及测量误差产生。通常假定 为正态零均值独立序列。 将经典统计回归模型推广，得到一类新的线性模型称为自回归模型。可用来描述某些时间序列。特别是当时间序列难于和其它因素建立联系时，用自回归模型建模更显重要。 Yt代表在t时的观察值，et代表误差或偏差，表示不能用模型说明的随机因素。 此模型和经典统计回归模型的本质区别： 　在经典统计回归模型中 是已知的可变化因素。自变量间的关系是相互独立的。 在自回归模型中 　　 同属于一个序列，它们彼此之间不是独立的，而是有一定的相互依赖关系。 一阶自回归模型 　　上面 的模型称为p阶自回归模型。当p＝1时是一阶自回归模型。 　意义： Yt变量受Yt-1的影响。 例如：考虑一个阻尼单摆。以Yt表示 t时刻的最大摆幅，由于阻尼的作用，Yt与Yt-1之间具有关系式： 式中的 代表阻尼系数。 表示第t个摆动周期中单摆还受到外加的力所额外加的摆幅。 滑动平均(MA)模型 式中 是时间序列在 t时刻的观察值；q是滑动平均的阶数； 是时间序列模型在t时刻的误差或偏差。 在滑动平均的过程中，每一个值是由当前干扰以及前一个或多个干扰的均值决定的。滑动平均的阶确定了有多少个前干扰被用于平均。 三、自回归滑动平均混合(ARIMA)模型 将自回归模型和滑动平均模型组合，便构成自回归滑动平均混合(ARIMA)模型 应用ARIMA方法预测分为三个阶段： 模型的识别：利用自相关分析和偏相关分析等