时间序列分析(1)..ppt

时间序列分析 参考书目： 吴今培.实用时序分析.湖南科学技术出版社.1989 张树京，齐立心.时间序列分析简明教程.清华大学出版社.2003. 按时间顺序产生和排列的观察数据序列称为时间序列 某地近60个月的月平均气温如下： 从概率论知，如果x是某个随机现象（或随机试验结果）的总称（每个月的平均气温），做一次试验（观察一次）只能获得x的一个取值X，它是一个样本值(普通的数)，以一定的概率出现，将一系列样本值按时间顺序排列起来，就得到时间序列x1, x2, …xt, …，每个xt均为一个随机变量 从实质上看,时间序列是一连串按固定时间间隔排列的随机变量 时间序列x1, x2, …xt, …，下标t为整数变量，代表等时间间隔的增量，如第t天，第t时刻，第t次等，随时间流逝，往往只能得到时间序列的一个现实 所获得的数据最为重要和有用的特性，就是观测值之间的依赖关系或相关性，这种相关一旦被定量地描述出来（模式识别），就可以从系统的过去观察值预测其将来的值， 用来分析各种相依有序的离散数据集合的方法称为时间序列分析 另一种研究方法是将x1, x2, …xt, …，看为一个随机向量（ x1, x2, …xt, …）或随机过程{xt | t ∈T} 传统的时间序列分析法 在时域上估计观测数据{xt}的自相关函数 rk=E[xt xt-k] k ∈Z (? t的范围) 在频域上估计它的自谱函数(功率谱) S(ω)=F[rk]=∑ rk e-iωkΔ 求和k从-∞到∞ F [ · ]为Fourier变换, ω为圆频率, Δ为时间间隔, k为延迟或相关步数 实际上只能得到一个有限长度的样本值序列xt,（60个月的月平均气温）因此无法从观察数据精确计算出rk ,S(ω)的真值 现代的时间序列分析方法 把xt看为独立的“白噪声” at输入一个随机系统所得到的输出 问题是能否找到这样的一个系统S 理论上已经证明,任何平稳随机系统都能找到(建模)一个合适的平稳时序模型来逼近到我们所需要的近似程度 时间序列的参数模型 记xt（t=…，-2,-1,0,1,2,…）是一个时间序列，我们假定S为 xt = f ( xt-1, xt-2 , …）+ at f 代表过去的信息对现在的影响；at 为与过去无关的随机因素，表示时刻 t 出现的新情况 模型 S 的一种常用情况是取 f 为线性形式 xt= π1 xt-1+ π2 xt-2+…+ at (1) xt= π1 xt-1+ π2 xt-2+…+ at (1) 其中at是正态的白躁声序列，其均值为常数，不妨假定为0，即： E[ at ]=0 E[ at at-k]= σa2 当k = 0 E[ at at-k]= 0 当k 0 上面假定表明，白躁声at序列中的各个随机变量彼此不相关，没有任何统计联系 以B表示后移算子，即B xt= xt-1, Bk xt = xt-k 则（1）变为： (1- π1 B- π2 B2 -…)xt= at 改写为 π(B) xt= at 求逆 xt=ψ(B) at 展开 xt= at + ψ1 at-1+ ψ2 at-2 +… (2) 式(2)表明一个时间序列 xt可以认为是由一个相互独立的白躁声序列 at 通过一个线性滤波器（1,ψ1 ,ψ2 ,…)而产生 自回归(AR)模型 数理统计的回归模型 yt=β1 x1t+ β2 x2t+…+ βr xrt+ εt 表示一个变量yt 对同一时刻的另一组变量的静态相关 (1) 只有有限项的模型称为自回归模型AR( p ) xt= φ1 xt-1+ φ2 xt-2+…+ φp xt-p+ at （3） t=1,2,3,… (Autoregressive) 是现在xt 对其过去数值xt-1 ,xt-2 ,…，xt-p进行回归 式（3）中的假定 at作为随机序列，在不同时刻互不相关 at和以前时刻的序列观测值xk ( kt )不相关。 注意： 如果at不是白躁声，如果用AR(p)模型 xt= φ1 xt-1+ φ2 xt-2+…+ φp xt-p+ at （3） 去拟合某序列xt 是不合适的。 AR(p)模型平稳的条件 设 B p 为p步后移算子，（3）移项可写为 φ(B)xt= at