时间序列分析报告报告材料法.docVIP

实用标准文案 精彩文档 时间序列分析法 ARMA模型三种基本形式： 自回归模型（AR：Auto-Regressive），在描述某些实际中出现的序列时，一种非常有用的随机模型就是自回归模型。在该模型中，过程的当前值被表示为过程的有穷线性组合再加上一个冲击。 移动平均模型（MA：Moving-Average），在描述观测到的时间序列时，另一类在实际中很重要的模型是有限移动平均模型。 混合模型（ARMA：Auto-regressive Moving-Average），为了在实际时间序列的拟合中能有较大的灵活性，有时将自回归和滑动平均项一同纳入模型是很有好处的。这里引出了自回归滑动平均混合模型。 ARMA(p,q)模型： 简化模型，引入延迟算子B，使得 自回归参数决定前一时刻时间序列的值多大程度上影响现在的值。移动平均参数决定前一时刻高斯随机变量的值影响现在值的大小，这些参数需要识别。AR模型和MA模型是ARMA模型的特殊形式，q=0,模型即为AR(p)，p=0,模型即为MA(q)。 1判别时间序列的平稳性 检验风速序列的样本自相关函数是否迅速按指数衰减到零，迅速衰减的序列平稳，否则为非平稳。对于非平稳风速序列，先进性平稳化处理，对原始序列施行有序差分变换，观察二阶有序差分序列的自相关函数是否迅速衰减为零，是为平稳，否则继续进行差分变换直到平稳。 有序差分变换，引入有序差分算子，其中为延迟算子有，d阶差分后有： 若序列已平稳，原时间序列可表示为： 季节性差分变换，若所研究的时间序列具有季节性变化趋势，可对其实施季节性差分变换，引入季节性差分算子，其中为季节性周期，季节性ARIMA模型为： 为了方便，往往还要对风速序列进行零化变换： 对，的时间序列作零化处理 得到零均值时间序列，由此协方差函数为 2模型识别 模型性质 若平稳时间序列的偏相关函数是截尾的，而自相关函数是拖尾的，则可断定此序列适合AR模型；若平稳时间序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定此序列适合MA模型；若平稳时间序列的偏相关函数和自相关函数均是拖尾的，则此序列适合ARMA模型； 所以，判断依据就是观察平稳时间序列的自相关函数和偏相关函数（方法：通过一系列公式，???均值、方差、协方差计算时间序列的自相关函数和偏相关函数） 平均值 方差 协方差 自相关函数 偏相关函数 参数识别 ARMA模型的一个重要标志是自相关和偏相关函数以负指数速度收敛到0所以其样本自相关和偏相关函数也应很快趋0；p,q值的确定根据自相关函数和偏相关函数收敛的速度决定。当偏相关函数，则。当自相关函数时，则。 参数估计 AR(p)、MA(q)和ARMA（p,q）参数估计大体有三类方法：最小二乘估计、矩估计和利用自相关函数的直接估计 ARMA（p,q）模型的矩估计 根据公式推导，先求出，代入矩阵方程，解出参数 在求得参数的基础上根据下面的方程组求参数 其中由下面的公式求得 如何求序列 令有 令有 令有 3模型的检验 残差项的白噪声检验（残差项的自相关系数及检验值） 检验统计量：，服从自由度为的——分布，当给定显著性水平时，从——分布表中查出满足的临界值则当时为检验模型可用。 2、平稳性条件和可逆性条件检验 解方程，根在单位圆外，解方程，根在单位圆外。