样本自相关图.pptVIP

acf(X) acf(Y1) acf(Y2) acf(Y3) acf(Y4) 缺损值的补足 平滑法 插值估算法 模型分析 估计模型 残差分析 如果残差分析不能通过，则替换或加入哑变量 例子： 人口自然增长率收集 时间跨度1950-2005 时间间隔相同， 年度数据 ，不允许出现半年，2年等间隔数据 统一计算方法：（年初+年末）/2， 序列范围一致性：虽然1997香港回归，并不能计算进入。 统一指标口径：出生后但随后死亡，列入出生也例如死亡。 趋势因子和季节因子的估计与去除 时间序列经典分解 y[t]=m[t]+S[t]+a[t] m[t]为趋势因子， S[t] 为季节因子 a[t]为随机因子 无季节因子，仅趋势因子 y[t]=m[t]+a[t]，去除m[t]方法： 最小二乘法 滑动平均法 差分方法 最小二乘法 用函数参数族拟合m[t] 例如 m[t]=a+bt+ct^2 极小化 sum(y[t]- a-bt-ct^2)^2得到 a,b,c的估计 读取人口 y=scan() 3929214 5308483 7239881 963845317063353314433215018920976212168103021537 123202624 132164569 151325798 179323175 203302031 226545805 读取时间 x=scan() 1790 1800 1810 1820 1830 1840 1850 1860 1870 1880 1890 1900 1910 1920 1930 1940 1950 1960 1970 1980 fit=lm(y~x+I(x^2)) summary(fit) plot(x,y) lines(fit$fitted.values~x) plot(x,fit$residuals,type=l) 滑动平均（低通滤波，线性滤波器） 双边平滑 m[t] 在[t-q,t+q]近似线性 m1[t] =sum(y[t-q:t+q])/(2q+1) =mean(y[t-q:t+q]) =mean(m[t-q:t+q])+mean(a[t-q:t+q]) ≈ mean(m[t-q:t+q]) ≈m[t] mean(a[t-q:t+q]) 快速震荡 m[t]缓慢变化趋势 z=scan() 4737 5117 5091 3468 4320 3825 3673 3694 3708 3333 3367 3614 3362 3655 3963 4405 4595 5045 5700 5716 5138 5010 5353 6074 5031 5648 5506 4230 4827 3885 x1=seq(1951,1980,by=1) n=length(z);m=rep(0,n); q=2for(t in (q+1):(n-q)) { m[t]=mean(z[(t-q):(t+q)]) } SMOOTH程序， 左边 #0.1a0.3 a=0.2 for(t in 1:q) {m1=0 for(j in 0: (n-t)) m1=m1+a*(1-a)^j*z[t+j] m[t]=m1} 右边 for(t in (n-q+1):n) { m1=0 for(j in 0: (t-1)) m1=m1+a*(1-a)^j*z[t-j] m[t]=m1 } plot(x1,z,type=l) lines(x1,m,col=red) w=z-m plot(x1,w,type=l) 递归关系 tq+1 m[t]=sum_{j=0}^{t-1} a(1-a)^j y[t+j] tn-q m[t]=sum_{j=0}^{t-1} a(1-a)^j y[t-j] 差分 k 阶差分作用k次多项式趋势项，其结果为常数(归纳法可证) 人口数据2阶差分 z=diff(y,differences=2) plot(x[-c(1:2)],z,type=l) 趋势项和季节项同时存在 y[t]=m[t]+S[t]+a[t] 周期d; S[t+d]=S[t] sum(S[1:d])=0 例月度数据 d=12 ，n年 第j 年第k 个月数据记为y[k,j] 月事故死亡率 1973 1974 1975 1976 1977 1978 1 9007 7750 8162 7717 7792 7836 2 8106 6981 7306 7461 6957 6892 3 8928 8