时间序列分析第 3 篇 章 时间序列预测.pptx

第 3 章 时间序列预测;3.1 时间序列分析简介;引言;时间序列的定义 ;时间序列分析方法;描述性时序分析案例;统计时序分析;频域分析方法;时域分析方法;时域分析方法的分析步骤;;时域分析方法的发展过程;基础阶段;核心阶段;完善阶段;时间序列分析软件 ;3.2 时间序列的预处理;3.2.1 平稳性检验 ;概率分布;特征统计量;平稳时间序列的定义;平稳时间序列的定义 ;平稳时间序列的意义 ;平稳性的检验（图检验方法） ;例题;例3.2.1时序图;例3.2.1自相关图;例3.2.2时序图;例3.2.2 自相关图;例3.2.3时序图;例3.2.3自相关图;3.2.2 纯随机性检验 ;纯随机序列的定义;标准正态白噪声序列时序图 ;白噪声序列的性质 ;纯随机性检验 ;Barlett定理 ;假设条件;检验统计量;判别原则;例3.2.4：标准正态白噪声序列纯随机性检验;检验结果;例3.2.5;例3.2.5时序图;例3.2.5自相关图;例3.2.5白噪声检验结果;3.3 时间序列的分解;3.3.1 时间序列分解定???;Wold分解定理（1938）;Cramer分解定理（1961）;对两个分解定理的理解;3.3.2 确定性因素分解;;时间序列的成分(例题分析);;3.4 非平稳时间序列确定性分析;3.4.1 趋势分析;趋势拟合法;线性拟合;例3.4.1:拟合澳大利亚政府1981——1990年每季度的消费支出序列 ;线性拟合;拟合效果图;非线性拟合;常用非线性模型;例3.4.2： 对上海证券交易所每月末上证指数序列进行模型拟合 ;非线性拟合;拟合效果图;平滑法;移动平均法;n期中心移动平均;n期移动平均;移动平均期数确定的原则;移动平均预测;指数平滑法;简单指数平滑;经验确定;简单指数平滑预测;Holt两参数指数平滑;初始值的确定;Holt两参数指数平滑预测;例3.4.3;例3.4.3平滑效果图;3.4.2 季节效应分析;时序图;季节指数;季节指数的计算;季节指数的理解;例3.4.4季节指数的计算;例3.4.4季节指数图;3.4.3 综合分析;长期趋势T;季节波动S;随机波动I;T+S+I;T*S*I;T*S+I;S*(T+I);例3.4.5;(1)绘制时序图;(2)选择拟合模型;(3)计算季节指数;季节指数图;季节调整后的序列图;(4)拟合长期趋势;(5)残差检验;(6)短期预测;3.4.4 X-11过程;方法特色;3.5 平稳时间序列分析;3.5.1平稳时间序列模型;AR模型的定义;MA模型的定义;ARMA模型的定义;3.5.2 平稳序列建模 ;建模步骤;计算样本相关系数;模型识别;例3.5.1;序列自相关图;序列偏自相关图;拟合模型识别;例3.5.2;序列自相关图;序列偏自相关图;拟合模型识别;例 3.5.3;序列自相关图;序列偏自相关图;拟合模型识别;参数估计;模型检验;模型的显著性检验;参数显著性检验;模型优化;例3.5.4:拟合某一化学序列;序列自相关图;序列偏自相关图;拟合模型一;拟合模型二;问题;AIC准则;SBC准则;例3.5.4续;AR(p)序列的预测;例3.5.1续:北京市城乡居民定期储蓄比例序列拟合与预测图 ;MA(q)序列的预测;ARMA(p,q)序列预测;3.6 非平稳时间序列随机性分析;3.6.1 ARIMA模型;ARIMA模型结构;ARIMA 模型族;随机游走模型( random walk);ARIMA模型建模步骤;例3.6.1;一阶差分序列时序图;一阶差分序列自相关图;一阶差分后序列白噪声检验;拟合ARMA模型;建模;ARIMA模型预测;预测值;对中国农业实际国民收入指数序列做为期10年的预测 ;疏系数模型;疏系数模型类型;例3.6.2;一阶差分;自相关图;偏自相关图;建模;季节模型;简单季节模型;例3.6.3;差分平稳;白噪声检验;差分后序列自相关图;差分后序列偏自相关图;模型拟合;模型检验;拟合效果图;乘积季节模型;例3.6.4:拟合1948——1981年美国女性月度失业率序列 ;差分平稳;差分后序列自相关图;差分后序列偏自相关图;简单季节模型拟合结果;乘积季节模型拟合;模型检验;乘积季节模型拟合效果图;3.6.2 条件异方差模型; 异方差的性质;残差图;ARCH模型;GARCH 模型结构;GARCH模型的变体;GARCH模型拟合步骤;例3.6.5;回归拟合;残差自相关性检验;异方差自相关检验;Portmantea Q检验;LM检验;残差序列异方差检验;ARCH模型拟合;模型检验;正态性检验结果;拟合效果图;结 束