第5章时间序列的确定性分析.ppt

第五章 时间序列的确定性分析 第五章 时间序列的确定性分析 第一节  概 述 非平稳时间序列 在实际应用中，我们经常会遇见不满足平稳性的时间序列，尤其在经济领域和商业领域中的时间序列多数都是非平稳的 时间序列模型 平稳时间序列 定义：常数均值，常数方差，(自)协方差函数只依赖于时间的平移长度,而与时间的起止点无关。 模型：ARMA模型 非平稳时间序列 均值非平稳，方差和自协方差非平稳 处理方法：确定性分析，随机性分析 时间序列的确定性分析 理论依据：1961年的Cramer分解定理 任何一个时间序列{Xt}都可以分解为两部分的叠加：一部分是由多项式决定的确定性趋势成分，另一部分是平稳的零均值误差成分，即 其中d∞，β0,β1,β2,…,βd是常系数，{Yt}是一个零均值的平稳序列 一个时间序列{Xt}可分解为以下四部分的共同作用： 长期趋势变动Tt，季节效应St ，循环变动Ct ，不规则变动因素It. (一般将循环变动和季节效应都称为季节性变化) 确定性分析： 对Tt、St和Ct 建立关于时间项t的多项式来提取信息，使It成为零均值的白噪声序列； 该方法重视对确定性信息的提取，而忽视对随机性信息的提取. 第二节 趋 势 性 分 析 长期趋势变动Tt 数据随时间而变化，呈现出不断增加或不断减少、或围绕某一常数值波动而无明显增减变化的总趋势. 趋势性检验的方法： 数据图检验法：直观简单，主观性较强 自相关函数图检验法：样本自相关系数既不截尾，又不拖尾，则序列{Xt}具有某种确定性趋势；当自相关系数接近1时，则序列{Xt}具有线性趋势. 特征根检验法 特征根检验法 原理：先对时间序列{Xt}建立适应性模型，利用该模型的自回归部分参数所组成的特征方程的特征根λi的模来检验趋势性. 若特征根存在两个实根，且其绝对值接近1，则序列{Xt}存在线性趋势；若特征根存在n个实根，且其绝对值接近1，则序列{Xt}存在n-1次多项式趋势；若特征根存在n个实根，且其绝对值大于1，则序列{Xt}存在n个指数增加趋势. 趋势性分析 数据图检验法 具有递增的趋势 趋势性分析 特征根检验法 趋势性的提取方法 平滑法 移动平均法：k期左侧移动平均，k期右侧移动平均，k期中心移动平均 指数平均法 拟合法：建立时间t的回归模型 常用的拟合模型：线性方程，二次曲线，指数曲线，修正指数曲线，龚帕兹曲线，Logistic曲线 拟合澳大利亚政府1981-1990年每季度的消费支出序列 线性模型 参数估计方法 最小二乘估计 参数估计值 最后看一下残差It是否需要拟合ARMA模型 拟合效果图 对上海证券交易所每月末上证指数序列进行模型拟合 非线性模型 参数估计方法 最小二乘估计 参数估计值 最后看一下残差It是否需要拟合ARMA模型 拟合效果图 第三节 季 节 效 应 分 析 季节效应分析 在某些时间序列中，由于季节性变化(包括季度、月度、周度等变化)或其他一些固有因素的变化，会存在一些明显的周期性，这类序列称为季节性序列。 在经济领域中，季节性序列更是随处可见。如季度时间序列、月度时间序列、周度时间序列等。 季节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。 一般，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。 1945-1950费城月度降雨量 北京市1995-2000年月平均气温 北京市1995-2000年月平均气温 周期趋势的拟合法 X-11方法简介 第五节 确定性时间序列的建模方法 一个时间序列{Xt}通常可分解为：长期趋势变动Tt,季节效应St和不规则变动因素It三部分的共同作用。若对Tt和St建立时间t的确定性函数，使It成为零均值的白噪声序列，就称为确定性时间序列分析. 常用的模型： 加法模型：Xt=Tt+St+It 乘法模型：Xt=Tt ·St ·It 混合模型：Xt=St+Tt ·It 或 Xt=Tt ·St+It 对长期趋势变动Tt和季节效应St交织在一起的时间序列，有以下两种建模方法： 季节指数模型方法：先对原始序列计算季节指数(或季节变差)，剔除季节效应后再对趋势性进行分析. 含趋势变动的季节指数模型方法：先进行适当的移动平均，再计算季节指数，然后对剔除季节效应后的序列做适当的趋势拟合. 对1993-2000年中国社会消费品零售总额的月度数据X进行确定性时间序列分析 1993-2000年中国社会消费品零售总额的月度数据X 1993-2000年中国社会消费品零售总额的月度数据X 原始序列的模型方程为 原始数据X 预测数据