多元时间序列数据.ppt

多元时间序列数据;时间序列是指数据按照一定时间间隔收集的一系列数据. 时间序列可以是一维或一元的, 也就是说只有一个按照时间记录的变量, 比如一个气象站点获取的降水量数据. 也有些是多维的, 即变量是多维向量, 比如一个气象站按照同样时间间隔收集的气压、气温、降水量、风力等多个指标. 研究时间序列的一个主要目的是做对同样变量的未来值的预测. 这就意味着下面的假定必须成立: 这个未来值能够完全由同样变量的现在和过去值预测, 而不受任何其他变量的影响. 这个假定很强, 往往不能满足, 但人们往往又有意无意地无视这个假定. 当然也有加入其他变量的模型. 中国通常的时间序列教科书内容的主要部分都是讲的一元时间序列, 这是因为其数学推导和结论被研究得比较透彻, 比较容易讲. 到了高维时间序列, 一切都不那么清晰和漂亮, 一元时间序列的一些漂亮数学结论和公式很难推广到高维情况.;多元时间序列在预测上是否就比一元强些呢? 这不见得. 时间序列, 特别是经济领域的时间序列受到大量其他因素的影响, 比如疾病(如SARS), 自然灾害(如地震海啸), 法律政策的改变, 全球的金融危机等等. 这些经济特征的时间序列严重受制于那些大的环境因素的变化, 而后者是几乎无法用数学方法预料的.;常用的一元时间序列方法时间序列的组成和分解, 差分及平滑;Holt-Winters滤波函数(可做指数平滑);data(Orange,package=Ecdat) ts.plot(Orange[,1]) #原始变量点图 a=stl(Orange[,1], period) #对第一个变量(Orange[,1])分解 ts.plot(a$time.series[,1:3])#画出分解出来的三部分;ARIMA模型例7.1的货币基数数据, 截取货币基数的一部分数据(从1918年1月到2007年12月), 试试ARIMA(0,1,8)(1,0,0)模型.;Ljung-Box检验的零假设为序列独立(对于某个滞后);7.3 尼罗河(Nile.txt). 这是是在阿斯旺(Ashwan)所测量的1871–1970年尼罗河的年度流量;打印出来的结果为: Call: arima(x = Nile, order = c(2, 0, 0)) Coefficients: ar1 ar2 intercept 0.4096 0.1987 919.8397 s.e. 0.0974 0.0990 35.6410 sigma^2 estimated as 20291: log likelihood=-637.98,aic=1283.96 用下面语句点出Ljung-Box检验的p值(虚线为0.05水平线), 残差的acf和pacf函数图(图7.7), 看来拟合虽然不是那么完美, 但也还过得去. B=NULL;for( i in 1:30) B=c(B,Box.test(rn$resi, lag = i, type = Ljung-Box)$p.value) layout(matrix(c(1,1,2,3),2,2,byrow=TRUE)) plot(B,main=Ljung-Box tests, ylab=p-value, xlab=lag,pch=16,ylim=c(0,1)) abline(h=.05,lty=2) acf(rn$res) ;pacf(rn$res);结构时间序列模型/一元状态空间模型;单位根及协整检验;单位根及协整检验;单位根及协整检验;单位根及检验;例7.2 芬兰数据(finland.csv). 该数据来自Johansen and Juselius(1990), 有4个时间序列变量, 它们是从1958年第2季度到1984年第3季度的货币供应量M1的对数(lrm1), 实际收入的对数(lny), 边际利率(lnmr), 通货膨胀率(difp). ;下面就是对于例7.2数据的ADF检验, 看其4个变量有没有单位根. library(urca) data(finland) attach(finland) lrm1.df=ur.df(lrm1,lags=5,type=trend);summary(lrm1.df) lny.df=ur.df(lny,lags=5,type=trend);summary(lny.df) lnmr.df=ur.df(lnmr,lags=5,type=trend);summary(lnmr.df) difp.df=ur.df(difp,lags=5,type=trend);summary(difp.df) ADF显著性水平为0.1的临界值为-3.13(值越小就越显著), 而这4个检验统计量的值分别为-2