SAS学习系列39时间序列分析Ⅲ—ARIMA模型.docxVIP

39.时间序列分析H ARIMA 模型 随着对时间序列分析方法的深入研究， 人们发现非平稳序列的确 定性因素分解方法 (如季节模型、趋势模型、移动平均、指数平滑等) 只能提取显著的确定性信息， 对随机性信息浪费严重， 同时也无法对 确定性因素之间的关系进行分析。 而非平稳序列随机分析的发展就是为了弥补确定性因素分解方 法的不足。时间序列数据分析的第一步都是要通过有效手段提取序列 中所蕴藏的确定性信息。 Box 和 Jenkins 使用大量的案例分析证明差 分方法是一种非常简便有效的确定性信息的提取方法。而 Gramer 分 解定理则在理论上保证了适当阶数的差分一定可以充分提取确定性 信息。 ARMA 模型 即自回归移动平均移动模型， 是最常用的拟合平稳时间序列的模 型，分为三类： AR 模型、 MA 模型和 ARMA 模型。 一、AR(p)模型一一p阶自回归模型 模型： xt 0 1xt 1 L pxt p t 其中，p 0，随机干扰序列 为0均值、2方差的白噪声序列 (E( t s) 0, s),且当期的干扰与过去的序列值无关，即E(xt =0. 2 2 由于是平稳序列，可推得均值 0——.若0 0，称为 1 i L p 中心化的 AR (p)模型，对于非中心化的平稳时间序列，可以令 0 (1 1 L p)，x* xt 转化为中心化。 记B为延迟算子， p(B) I iB L p