从数据到结论12时间序列分析教材.pptVIP

例：数据AR1.sav 为了直观地理解上面的概念，下面利用一个数据例子来描述。 例：数据AR1.sav；拖尾和截尾先来看该时间序列的acf(左)和pacf图(右) 左边的acf条形图是衰减的正弦型的波动；这种图形称为拖尾。而右边的pacf条形图是在第一个条(p=1)之后就很小，而且没有什么模式；这种图形称为在在p=1后截尾。这说明该数据满足是平稳的AR(1)模型。 例：数据AR1.sav；拖尾和截尾 注意，所谓拖尾图形模式也可能不是正弦形式，但以指数率衰减。类似地，如果acf图形是在第q=k个条后截尾，而pacf图形为拖尾，则数据满足MA(q)模型。如果两个图形都拖尾则可能满足ARMA(p,q)模型。具体判别法总结在下面表中： acf和pacf图 如acf和pacf图中至少一个不是以指数形式或正弦形式衰减，那么说明该序列不是平稳序列，必须进行差分变换来得到一个可以估计参数的满足ARMA(p,q)模型的序列。 如一个时间序列的acf和pacf图没有任何模式，而且数值很小，那么这个序列可能就是一些互相独立的无关的随机变量。一个很好拟合的时间序列模型的残差就应该有这样的acf和pacf图。 例：数据AR1.sav 根据acf和pacf图的形态，不用进行任何差分就可以直接用AR(1)模型拟合。利用SPSS软件，选择AR(1)模型(等价地ARIMA(1,0,0)(0,0,0)模型),得到参数估计为?1=0.86;也就是说该AR(1)模型为 例：数据AR1.sav 下图为ar1.sav数据的原始序列和由模型得到的拟合值以及对未来10个观测的预测图；看来拟合得还不错。 例：数据AR1.sav 下面再看剩下的残差序列是否还有什么模式。这还可以由残差的pacf(左)和acf(右)图来判断。可以看出，它们没有什么模式；这说明拟合比较成功。 例：数据AR1.sav 下图为残差对拟合值的散点图。看不出任何模式。说明残差的确是独立的和随机的。 ARIMA (p,d,q)(P,D,Q)s模型 在对含有季节和趋势/循环等成分的时间序列进行ARIMA模型的拟合研究和预测时，就不象对纯粹的满足可解条件的ARMA模型那么简单了。 一般的ARIMA模型有多个参数，没有季节成分的可以记为ARIMA(p,d,q)，如果没有必要利用差分来消除趋势或循环成分时，差分阶数d=0，模型为ARIMA(p,0,q)，即ARMA(p, q)。 在有已知的固定周期s时，模型多了4个参数，可记为ARIMA(p,d,q)(P,D,Q)s。这里增加的除了周期s已知之外，还有描述季节本身的ARIMA(P,D,Q)的模型识别问题。因此，实际建模要复杂得多。需要经过反复比较。 用ARIMA模型拟合例tssales.sav 先前对数据tssales.sav序列进行了分解，并且用指数平滑做了预测。知其有季节和趋势成分。 下面试图对其进行ARIMA模型拟合。先试图对该序列做acf和pacf条形图。其中acf图显然不是拖尾（不是以指数速率递减），因此说明需要进行差分。 用ARIMA模型拟合例tssales.sav 关于于参数，不要选得过大；每次拟合之后要检查残差的acf和pacf图，看是否为无关随机序列。 在SPSS软件中还有类似于回归系数的检验以及其他一些判别标准的计算机输出可做参考（这里不细说）。 经过几次对比之后，对于例16.1数据我们最后选中了ARIMA(0,1,1)( 0,1,1)12模型来拟合。拟合的结果和对2003年12个月的预测在下图中。 例tssales.sav的原始序列和由模型得到的拟合值及对未来12个月的预测图。 例：数据AR1.sav 为了核对，当然要画出残差的acf和pacf的条形图来看是否还有什么非随机的因素存在。下图为这两个点图，看来我们的模型选择还是适当的。 用ARIMA模型拟合带有独立变量的时间序列 例：数据tsadds2.sav是一个销售时间序列，以每周七天为一个季节周期，除了销售额序列sales之外，还有一个广告花费的独立变量adds。先不理睬这个独立变量，把该序列当成纯粹时间序列来用ARIMA模型拟合。右图为该序列的点图。 数据tsadds2.sav 再首先点出其acf和pacf条形图 acf图显然不是拖尾模式，因此，必须进行差分以消除季节影响。试验多次之后，看上去ARIMA(2,1,2)( 0,1,1)7的结果还可以接受。残差的pacf和acf条形图在下一页图中 用ARIMA模型拟合带有独立变量的时间序列 继续改进我们的模型，再把独立变量广告支出加入模型，最后得到的带有独立变量adds的ARIMA(2,1,2)( 0,1,1)7模型。拟合后的残差图在下图中。