第八章-季节性时间序列分析方法-王振龙第二版.pptVIP

第八章 季节性时间序列分析方法 8.1 季节性时间序列的重要特征 在实际问题中，经常遇到一些依时间而周期性变化的随机序列。例如，某市每年一月份平均气温最低，铁路客流量二月份最大等等。这些 序列的特点是在每个周期的特定时刻，相应的量基本处于同一水平，但又有所波动。一般来讲，不同问题的周期也有所不同。常见的有 以12为周期的按月的数据，以4为周期的按季的数据，以24为周期的按小时的数据等。对于这类时间序列，我们常常根据其直观背景和物理变化 规律确定其周期。 8.2 季节性时间序列模型 对季节性随机序列中不同周期的同一周期点之间的相关关系的拟合 8.3 季节性检验 1. 图形法 8.4 季节时间序列模型的建立 对时间序列进行差分和季节差分，使序列尽可能平稳 ；在实际应用中，D很少大于1，p和q一般小于3. 计算新序列的自相关函数和偏自相关函数，初步选择一个模型； 对模型定阶、估计模型的参数、进行模型的适应性检验，否则重复这个过程。 模型应用。 例8.5 8.5 X-12-ARIMA方法简介 X-12-ARIMA方法是由美国普查局在1998年开发的基于模型的季节调整方法，它的前身是X-11方法(基于移动平均的季节调整方法) 季节调整 时间序列的分解 （一）长期趋势因素（ Tt） 此因素反映了经济现象在一个较长时间内的发展方向，它可以在一个相当长的时间内表现为一种近似直线的持续向上或向下或平稳的趋势。或其它曲线趋势。经济现象的长期趋势一旦形成，则总能延续一段相当长的时间。因此分析预测经济现象的长期趋势对于正确预测经济现象的发展具有十分重要的意义。 （二）季节变动因素（ St） 该因素是经济现象受季节变动影响所形成的一种长度固定的周期波动。一般指一年以内，有规律的变动 （三）周期变动因素（ Ct） 也称为循环变动因素，它是受各种经济因素影响形成的上下起伏不定的变动。比如经济周期。股市波动周期(受宏观经济运行的周期性,国家经济政策的周期性,政府工作的周期性,上市公司各项信息披露的周期性,投资者交易行为的周期性的影响) （四）不规则变动因素（ It ） 它是受各种偶然因素影响所形成的不规则波动，如股票市场受突然出现的利好的影响使股票价格产生的波动等。 （五）星期构成因素、贸易日因素（ Dt） 贸易日因素由于每个月的周末数不同，那么对于类似商品销售额的数据，在周末多的月份销售额会比较高。那么某月度销售额增加，是旺季所致，还是由于周末天数多所致，所以对一个时间序列进行分析时，考虑贸易日因素也是重要的。 时间序列分解模型 一般：Yt=f(Tt , St , Ct , It) 加法模型： Yt=Tt+St+Ct+It 所有项都用绝对数表示，它体现了各种因素的累加效应。 乘法模型： Yt=Tt×St × Ct × It， At=季节调整后的序列，At＝(TC)t＊It 其中Yt和Tt用绝对数表示，季节变动、周期变动和不规则变动用相对数（百分数）表示. 加法模型和乘法模型本质上是一致的,因为乘法模型可以通过对数变换转化为加法模型.但实际应用中,因为乘法模型的假设比较合理,所以用的比较多,尤其是对增长型的金融市场. * 季节时间序列 X24 X24 X13 01 … … X25 X1 1 X36 …… X26 02 X12 …… X2 00 12 …… 2 我们可以把数据按季节性进行重新排列，然后利用季节差分消除掉周期性的影响。不过，消除了周期的影响之后，不同周期的对应的同一个周期点所构成的序列之间应该是平稳的，但又具有某种因季节的不同而导致的相依性。 例如：考察月平均气温的时间序列{Xt}，数据应近似有周期S=12，若令 则序列就不再有明显的周期了。因为气温变化是按一年12个月周期性变化，相同月份的气温一般要高都高，要低都低，相减之后得到的新序列，从单个月份来看，多年所得到的这个特定月份的数据应该是平稳的，因此可以和ARMA模型联系起来。 简单季节模型 消去季节性： 或 Wt同一周期点的一阶自回归季节模型可表示为： 或 Wt的一阶移动平均模型可表示为： 即 即 同理，Wt的ARMA模型可表示为： 其中 或 注意： D是非负整数； et是随机扰动，但一般不是白噪声 ---简单随机季节模型 对于上述的月气温例子，我们可以对一个周期内的第j个数据点所构成的序列建立随机季节模型 其中 如果每个月的数据的平稳性都一样，即可以通过相同的ARMA(p,q)过程所产生。故对一切t，上式可改写为 但{et }按月不一定不相关。因此可进一步考虑用一个ARIMA模型来拟合它。 乘积