第八章 非平稳和季节时间序列模型分析基本方法 时间序列 上财 .pptVIP

上海财经大学 统计学系 二、季节时间序列的重要特征 季节性时间序列的重要特征表现为周期性。在一个序列中，如果经过S个时间间隔后观测点呈现出相似性，比如同处于波峰或波谷，我们就说该序列具有以S为周期的周期特性。具有周期特性的序列称为季节时间序列，S为周期的长度，不同的季节时间序列会表现出不同的周期，季度资料的一个周期表现为一年的四个季度，月度资料的周期表现为一年的12各月，周资料表现为一周的7天或5天。 例如，图8.16的数据是1993年1月到2000年12月的中国社会消费品月销售总额。 图8.16 1993年1月—2000年12月的中国社会消费品月销售总额 当然影响一个季节性时间序列的因素除了季节因素外，还存在趋势变动和不规则变动等。我们研究季节性时间序列的目的就是分解影响经济指标变量的季节因素、趋势因素和不规则因素，据以了解它们对经济的影响。 8.2.2 季节时间序列模型 一、随机季节模型 季节性随机时间序列时间间隔为周期长度S的两个时间点上的随机变量有相对较强的相关性，或者说季节性时间序列表现出周期相关，比如对于月度数据，S=12， 与 有相关关系，于是我们可以利用这种周期相关性在 与 之间进行拟合。 设一个季节性时间序列{ }通过D阶的季节差分 后为一平稳时间序列 ，即 ，则一阶自回归季节模型为 或 (8.5) 其中， 为白噪声序列。将 代入式（8.5），得 (8.6) 同样的思路，一个一阶移动平均季节模型为 或 (8.7) 推广之，季节性的SARIMA为 (8.8) 其中， 二、乘积季节模型 式(8.8)的季节性SARIMA模型中，我们假定是 白噪声序列，值得注意的是实际中 不一定是白噪声序列。因为式(8.8)的模型中季节差分仅仅消除了时间序列的季节成分，自回归或移动平均仅仅消除了不同周期相同周期点之间具有的相关部分，时间序列还可能存在长期趋势，相同周期的不同周期点之间也有一定的相关性，所以，模型可能有一定的拟合不足，如果假设 是ARIMA（p,d,q）模型，则式(8.8)可以改为 (8.9) 其中， 称式(8.9)为乘积季节模型，记为 。如果将模型的AR因子和MA因子分别展开，可以得到类似的 模型，不同的是模型的系数在某些阶为零，故 是疏系数模型或子集模型。 三、常见的随机季节模型 为了读者学习起来方便，这里列举几个常见的随机季节模型，并简介其生成的过程。 在实际问题中，季节性时间序列所含有的成分不同，记忆性长度各异，因而模型形式也是多种多样的。这里以季节周期S=12为例，介绍几种常见的季节模型。 模型一 (8.10) 模型(8.10)先对时间序列 做双重差分，移动平均算子由 和 两个因子构成，该模型是交叉乘积模型 。实际上该模型是由两个模