随机课程设计.doc

一．前言 2 二．基本理论 3 2.1 严平稳随机序列 3 2.2 宽平稳随机序列 3 2.3 自回归滑动平均ARMA模型 3 2.4 自相关函数和偏相关函数 4 三．ARMA 模型的建立 5 3.1 ARMA模型预测的基本程序 5 3.2 时间序列的线形模型的识别 5 3.3问题分析 6 四．程序内容及其说明 6 4.1首先将平稳时间序列的标准化 6 4.2 序列X的自相关函数函数值： 8 4.3图像的的分析： 12 参考文献： 12 评阅书 13 题 目 平稳时间序列的ARMA(p,q)模型的计算 一．前言 时间序列分析，就是根据有序随机变量或者观测得到的有序数据之相互依赖所包含的信息，用概率统计方法定量地建立一个合适的数学模型，并根据这个模型对相应序列所反映的过程或系统做出预报或进行控制，在自然科学，工程技术及其社会、经济学的建模分析中起着非常重要的平稳时间序列模型---自回归滑动平均模型，简称ARMA模型。 时间序列分析主要用于：①系统描述。根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。②系统分析。当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。③预测未来。一般用ARMA模型拟合时间序列，预测该时间序列未来值。④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。 ARIMA模型全称为差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。 二．基本理论 2.1 严平稳随机序列 气温的变化随季节的变化而变化，但是，每年的相同季节的气温是类似的，观测到的时间序列的波动是随机的，但是随机的特点不随时间的变化而变化。平稳时间序列过程是适用于这种类型数据的概率模型。平稳随机过程的统计特性不随时间的变化而变化。 定义：设是随机序列任取的联合分布函数具有对时间不变的性质，即： 则称该随机序列为严平稳随机序列。 2.2 宽平稳随机序列 如果随机序列二阶矩有界，并且满足以下条件： （1）对任意整数t， （2）对任意整数t和s，自协方差函数仅与t-s有关，同个别时刻t和s无关。即： 则成为宽平稳（或协方差平稳，二阶矩平稳）随机序列。 严平稳随机序列不一定是宽平稳随机序列，但是严平稳随机序列如果二阶矩有界则一定是宽平稳随机序列。宽平稳随机序列不一定是严平稳随机序列。 2.3 自回归滑动平均ARMA模型 设是零均值的实平稳时间序列，p阶自回归q阶滑动平均混和模型定义为： 此模型极为ARMA(p，q)满足ARMA（p，q）模型的随机序列，称为ARMA(p，q）序列。AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，和是不为零的待定系数，是独立的误差项，是平稳、正态、冷均值的时间序列。 2.4 自相关函数和偏相关函数 设是零均值的平稳序列，我们从随机序列预报的角度给出偏相关函数的定义，如果已知的值，要求对作出预报，此时，可以考虑由对的线性最小方差估计，即选择系数使得： 将展开得： 令得： 与矩阵形式 由自相关函数的值可以求出偏相关函数 事实上，用k+1代替k得 取前k个方程得 自相关函数刻划了任意两个时刻之间的关系。 偏相关函数刻划了平稳序列任意一个长k＋1的片段在中间量固定的条件下，两端的线性密切程度。 与自相关函数和偏相关函数相关的性质有：拖尾性和截尾性。 拖尾性：指它们随k无限增长以负指数的速度趋向于0，其图像像拖一条尾巴。 截尾性：指它们在kp或kq后，其值变为零，其图像像截断了的尾巴一样。 三．ARMA 模型的建立 3.1 ARMA模型预测的基本程序 根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。 　　 对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。 　　 （三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是