武汉大学时间序列季节性.pptVIP

季节性 季节性反映是具有季节变动规律的时间序列。季节变动的特点是有规律，每年重复出现，表现为逐年同时期有相同的变化方向和大致相同的变动幅度。一般我们认为季节性是一种对数据的干扰，通常是将其直接移掉。 方法一：时间序列对确定的sin与cos函数作回归 方法二：X-11方法（采用移动平均将季节波动过滤掉） 方法三：对不同的包括季节成分在内的未被观测的 成分建立ARIMA模型。 季节性调整的思想：依季节观测的时间序列被分解成两个部分： Yt=ytns+yts或者Yt=ytns×yts 其中ytns包括趋势变动、循环变动和不规则变动；yts是指季节变动。 Eviews中采用seas 等方法来计算季节因子和进行季节调整。 季节性的时序识别方法 可以通过自相关系数的显著性进行识别 对于月度数据，观察时滞为k=12,24,36….的自相关系数；对于季度数据，观察k=4,8,12…..的自相关系数。若自相关系数与0无差异，则同月之间不相关；否则存在季节性。 注意季节性与趋势性往往同时存在，趋势性强的季节性一般不明显，故常常先消除趋势性后再来观察季节性。 季节性非平稳性同样也通过差分来消除，只是采用季节周期差分，而非逐期差分。 一般化的ARMA模型 对于非平稳和存在季节性的时序列，可以采用逐期差分和季节差分，同时移掉单位根和季节性后建立ARMA模型，一般我们记为SARIMA模型： 实际经济现象中，d和D的数值一般是0，1，2 Eviews中的命令：sma,sar P、Q的识别 识别原则与p、q基本相同，只是在观察相关系数和偏相关系数时，只分析滞后s,2s,3s…….等处。若序列的偏相关函数按季节周期的增加而衰减，则可以用季节自回归模型描述，P取决于有效的季节偏自相关数目；若自相关函数按季节周期增加而衰减，则可以按季节移动平均模型描述，Q取决于季节自相关数目；若季节自相关函数和偏相关函数均按指数衰减，则采用混合的季节自回归移动平均模型描述。 * *