应用时间序列分析课程.docVIP

应用时间序列分析课程论文 一 时间序列模型简介 总结时间序列模型可以大致分为自回归过程模型和移动平均过程模型两大类。前者以其滞后变量为依据，推算其未来值，后者是以过去的误差项为依据，推算其未来值。有时需两者并用，便产生自回归移动平均模型。 自回归模型（AR） 在AR模型中，序列的当前值由序列的当前值和序列的前一个长度为M的窗口内序列值决定。 自回归过程是一个变量在时间的某一点的变化，相对于前期的变化是线性的。一般来说相关性随着时间呈指数下降，且在比较短的周期内消失。 移动平均模型（MA） 这个式子说明序列的当前值由序列从当前值前推长度为N的窗口内序列值决定。 在平均移动模型（MA）中，时间序列是一种未观测到的时间序列的平均移动的结果，如下： e 为一个独立同分布的随即变量，c 为常数，且 c ≤1。 在平均移动参数c上的限制保证了过程是可以转换的。表明未来事件不太可能影响现在的事件，而且此过程是稳定的；对于e的限制，如同 AR 过程中的e，是一个具有零均值和方差为r 的独立同分布随机变量。 已观测到的时间序列C 是未来观测到随机时间序列平均移动的结果。由于平均移动过程，所有过去和短期记忆的结果存在一个线性的依赖。 自回归－移动平均模型（ARMA） ARMA由AR和MA两个部