时间序列干扰分析.ppt

案例 检测两种化肥对一种植物产量的影响。 检测近二百年来全球气候变化对一种植物产量的影响。 检测湖水酸化如何影响龟甲轮虫种群的密度。 学习目标 一、明确时间序列概述； 二、掌握时间序列分析的各种分析模型； 三、掌握干扰模型的分析过程和软件应用； 四、其它几点注意事项。 1.1时间序列概念 时间序列：取自相同的实验单元在不同时间进行的重复测量或子样本数。 把同一现象在不同时间上取得的观察值按时间顺序排列而成的序列，称为时间序列（又称动态序列）。 1.3时间序列分析目的 分析时间序列数据通常有两个目的： 描述现象的发展变化过程、考察现象发展变化方向和速度、探索现象发展变化规律性； 预测某一现象未来可能达到的数值。 1.4时间序列分析方法 多种方法：从图示法到较为复杂的统计分析。 本章着重讨论：ARIMA模型技术。 相同点：都强调了时间序列数据，并通常需要对处理和参照系统中处理前后测量的两组数据序列进行比较。 1.5时间序列分析的必要性 时间序列分析的必要性 大尺度或独特尺度下的生态学问题很难做到重复和随机； 允许重复的小尺度模型实验结果不能令人信服。 2.1传统分析方法和非重复时间序列分析方法比较 2.2增强非重复时间序列置信度方法 考虑自然变异性信息，这些信息是被研究系统类型所特有的； 在大尺度操作范围内融入小尺度试验； 发展评估过程的仿真、机制模型 2.3时间序列分析的注意事项 时间上的子抽样不是真正的重复。 时间序列的测量通常时间上相互依赖或自相关。 时间序列分析可以检验在处理时是否发生变化，但是不能回答这种变化是否是由处理引起的。故时间序列的设计要防范对“假变化”的认可。 3.1反应（response）或是巧合（coincidence） 测量值的变动（波动）几乎是永恒的和不可避免的，但是这里面可能有两种情形： 反应/巧合 3.2非重复时间序列设计（一）三次干扰 三次干扰后，测量值都骤然下降；说明干扰使测量值下降。？？ 多重干扰 A 设置多重干扰 3.4 BACI 取样时间密度 3.5一个多重干扰的BACI设计例子 这个例子关注的是小石湖酸化的影响。小石湖被塑料布分成处理和对照两部分。经过一个起始期后（1983.8-1985.4），处理部分用硫酸分步酸化成3个pH目标水平。5.6、5.1、4.7，每一个pH水平保持2年，而对照部分在整个实验过程中保持平均pH 6.1水平。分析集中在随着酸化，龟甲轮虫种群将会发生明显的变化。 小石湖的图片 时间序列分析 时间序列：把同一现象在不同时间上取得的观察值按时间顺序排列而成的序列。　 时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。 时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。 本章方法：ARIMA模型——自回归求和滑动平均模型 基本概念 自回归模型（auto-regressive model ）：利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。 滑动平均（moving average）是一种简单平滑预测技术，它的基本思想是：根据时间序列资料、逐项推移，依次计算包含一定项数的动态平均值，以反映长期趋势的方法。因此，当时间序列的数值由于受周期变动和随机波动的影响，起伏较大，不易显示出事件的发展趋势时，使用移动平均法可以消除这些因素的影响，显示出事件的发展方向与趋势（即趋势线），然后依趋势线分析预测序列的长期趋势。 AR AR (自回归模型)：将时间t的观察结果与早期观察结果一起进行回归。 AR(1): zt=φ1zt-1+εt AR(2): zt=φ1zt-1+φ2zt-2+εt …… AR(n): zt=φ1zt-1+φ2zt-2+……+φnzt-n+εt zt=yt-μ yt：原时间序列，t时刻的测量值 μ：长期平均值， zt：t时刻，测量值yt对长期平均值μ的离差， φ是系数，εt是t时间的随机误差。 MA MA(滑动平均模型)：将时间t的观察与过去和现在的随机误差εt联系起来。 MA(1): zt=εt+θ1εt-1 MA(2): zt=εt+θ1εt-1+θ2εt-2 …… MA(n): zt=θ1εt-1+θ2εt-2+……+θnεt-n+εt εt是随机误差，θ是系数。 ARMA Auto-regressive Moving-Average Model ARMA(p,q)模型中包含了p个自回归项和q个移动平均项，ARMA(p,q)模型