- 1、本文档共12页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
2.2
解:
(1)因为
是若平稳序列
所以=
即=0.0125
(2)因为 , =1
故=0.2, =0.04
(3)=,其中为向前一步预测误差,h=100,
=0.02*0.02
同理
故向前一步和两步的标准差分别为0.02和0.020004
2.4
解:
代码:
w=read.table("m-deciles08.txt")
decile2=w[,3];decile10=w[,5]
Box.test(decile2,lag=12,type="Ljung")
Box-Ljung test
data: decile2
X-squared = 55.7363, df = 12, p-value = 1.335e-07,
从中可以看出拒绝原假设,即拒绝decile2前十二个间隔的自相关系数都为0
Box.test(decile10,lag=12,type="Ljung")
Box-Ljung test
data: decile10
X-squared = 10.6872, df = 12, p-value = 0.5559,
因为P值大于0.5,不能拒绝原假设,即可认为Decile10前十二阶无序列自相关。
b,decile2timeseris=ts(decile2,frequency=12,start=c(1970,1))
plot(decile2timeseris)
points(decile2timeseris,pch="*")
从图中我们可以看出样本几乎是平稳的,我们对其做检验
library(fUnitRoots)
adfTest(decile2timeseris,lags=12,type=c("c"))
##############平稳性检验
Title: Augmented Dickey-Fuller Test
Test Results:
PARAMETER:
Lag Order: 12
STATISTIC:
Dickey-Fuller: -4.8996
P VALUE:
0.01
从中可以看出无法拒绝原假设平稳性的假定
acf(decile2timeseris,lag.max=36)
pacf(decile2timeseris,lag.max=36)
从自相关函数来看在间隔36,24,12以及1处显著不为0,如果接受季节性ARMA模型,
m2=arima(decile2timeseris,order=c(1,0,0),seasonal=list(order=c(1,0,1),period=12))
##########结果如下
Series: decile2timeseris
ARIMA(1,0,0)(1,0,1)[12] with non-zero mean
Coefficients:
ar1 sar1 sma1 intercept
0.1981 0.9891 -0.9389 0.0093
s.e. 0.0454 0.0129 0.0392 0.0090
sigma^2 estimated as 0.003684: log likelihood=643.14
AIC=-1276.28 AICc=-1276.15 BIC=-1255.54
因此ARMA模型可以写成
对残差进行检验看是否存在自相关
Box.test(m2$residuals,lag=20,type='Ljung')
Box-Ljung test
data: m2$residuals
X-squared = 23.0335, df = 20, p-value = 0.2872
从结果来看,无法拒绝残差无自相关的假设,因此可以认为该模型较好。
(c),library("forecast")
m2forecast=forecast.Arima(m2,h=12)
Forecasts:
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
Jan 2009 0.048797473 -00-00.1677818
Dec 2009 0.012749089 -00-00.1341385
向前一步预测值为 0.048797473,向前十二步预测值为0.012749089。
2.6
代码:
w=read.table("power6.txt")
wtimeseries=ts(w)
plot(wtimeserie
文档评论(0)