第二节时间序列分析.pptVIP

第二节;本节结构;2.1 方法性工具 ;延迟算子;延迟算子的性质;定义1 设函数xt=f(t)在t=…,-2,-1,0,1,2,…处有定义,对应的函数值为…,x-2,x-1,x0,x1,x2,…,则函数xt=f(t)在时间t的一阶差分定义为 Dxt=xt+1-xt=f(t+1)-f(t) ; 二阶常系数线性差分方程的一般形式为 xt+2+a1xt+1+a2xt=f(t)，t=0,1,2,…， 其中f(t)为t的已知函数,a1,a2为已知常数,且a2≠0,称为二阶常系数非齐次线性差分方程． 特别地,当f(t)?0时,方程变为 xt+2+a1xt+1+a2xt=0． 称为对应的齐次差分方程．;齐次差分方程的通解;齐次差分方程的通解 ;(2) 特征根为两相等的实根;(3) 特征根为一对共轭复根;x1(t)=rtcos?t, x2(t)=rtsin?t 是方程的两个线性无关特解. ;;2.2 ARMA模型的性质 ;AR模型的定义; AR(P)序列中心化变换;自回归系数多项式;均 值 ;自相关系数拖尾 偏自相关系数截尾;AR模型自相关系数的性质;例:考察如下AR模型的自相关图;自相关系数按复指数单调收敛到零;自相关系数正负相间的衰减;自相关系数呈现出“伪周期”性;自相关系数不规则衰减;偏自相关系数;偏自相关系数的计算;偏自相关系数的截尾性;例2.5续:考察如下AR模型的偏自相关图;理论偏自相关系数;理论偏自相关系数;理论偏自相关系数;理论偏自相关系数;MA模型的定义;移动平均系数多项式;MA模型的统计性质;MA模型的统计性质;例2.6:考察如下MA模型的相关性质;MA模型的自相关系数截尾;MA模型的自相关系数截尾;MA模型的偏自相关系数拖尾;MA模型的偏自相关系数拖尾;MA模型的可逆性;可逆MA(1)模型;可逆的定义;ARMA模型的定义;系数多项式;ARMA(p,q)模型的统计性质;ARMA模型的相关性;例2.7:考察ARMA模型的相关性;自相关系数和偏自相关系数拖尾性;ARMA模型相关性特征;2.3 平稳序列建模 ;建模步骤;模型定阶的困难;模型定阶经验方法;例;序列偏自相关图;拟合模型识别;例;序列自相关图;序列偏自相关图;拟合模型识别;例;序列自相关图;序列偏自相关图;拟合模型识别;参数估计;例;例;例;模型检验;模型的显著性检验;假设条件;检验统计量;例;参数显著性检验;例;data a; input year prop; cards; /*数据省略*/ ; proc gplot; plot prop*year=1; symbol1 v=diamond i=join c=red; proc arima data=a; identify var=prop; /*识别变量*/ estimate p=1 method=ml; /*p=1,没有q,说明是AR模型，method=ml表示极大似然估计*/ proc gplot data=out; run;;写出模型的表达式; 由于各延迟阶数下LB统计量的P值都显著大于0.05，可以认为这个拟合模型的残差序列属于白噪声序列，根据模型检验的判别原则，得出该拟合模型显著有效。 ; 看到对两个参数的检验t统计量的P值均小于0.0001，则两参数检验均显著，则每一个未知参数显著非零，该模型结构已经是最精简，不需要删除不显著参数。 ;模型优化;AIC准则;SBC准则;例：连续读取70个某次化学反应的过程数据，构成一时间序列。对该序列进行两个模型拟合，并用AIC准则和SBC准则评判例两个拟合模型的相对优劣。 ;data a; input yield @@; time=_n_; cards; /*数据省略*/ ; proc gplot; plot yield*time; symbol v=star i=join c=red; proc arima data=a; identify var=yield nlag=18; estimate q=2; /*在进行模型AR（1）拟合时，将q=2修改为p=1*/ run;; MA（2）模型和AR（1）模型残差均通过白噪声检验，模型显著有效且各参数显著性检验均通过。故考虑用AIC准则和SBC准则评判例两个拟合模型的相对优劣。 ;2.4 序列预测;例2.5:北京市城乡居民定期储蓄比例序列拟合与预测图;例：现有201个连续的生产纪录，选择适当模型拟合该序列的发展并写出拟合模型，最后预测该序列后5年的95%预测的置信区间。 ;data a; input factory