时序分析相关文献综述.docVIP

四川师范大学数学与软件科学学院的赵凌,、张健,、陈涛在《基于ARIMA的乘积季节模型在 城市供水量预测中的应用》一文中，通过对成都市2006年1月至2010年2月年城市供水量数据的分析，发现城市供水量有明显的增长趋势和季节效应，在建立了其长期趋势及季节效应的模型后，残差中又含有随机波动的自相关时间序列，针对供水量的这一特征，在剔出长期趋势后季节因素后，用随机性模型ARMA对残差建模，得到更高精度的供水量预测模型。文章对模型残差信息提取不充分使得预测结果不准确做出了详细的分析和说明，模型检验非常充分，拟合度较高，预测结果准确，作图美观，效果非常好，值得学习。 李晓武在《用SAS 识别ARIMA 的简单季节模型与乘积季节模型》一文中，详细介绍了ARIMA简单季节模型与乘积季节模型的原理和构造方法。他使用SAS软件对同一组数据使用简单季节模型与乘积季节模型分别建模，在使用简单的ARMA加法季节性模型拟合反复尝试失败后，提出该序列既具有短期性关性又有季节效应,两者不能简单地、可加性地提取, 因此估计该序列的季节效应和短期相关性之间具有复杂的关联性，这时通常假定短期相关性和季节效应之间具有乘积关系, 尝试使用乘积模型来拟合序列。分析思路明确，过程清晰，最后指出，无论ARIMA 简单季节模型还是乘积季节模型, 模型正确与否的关键是模型残差白噪声检验卡方统计量的P 值显著大于0.005, 参数显著性检验t 统计量的P 值显著小于0.005, 有这两个标准, 然后借鉴自相关图和偏相关图, 我们就可以尝试的多种ARIMA 形式, 选取最佳模型。 孙亚星徐庭兰在《我国货币供应量的ARIMA模型与预测》中提出ARIMA模型适合于我国货币供应量非平稳序列走势进行预测，并建立ARIMA(6,2,0)模型。通过ARIMA(6,2,0)模型对货币供应量的拟合、检验和预测，结果显示在我国货币供应量短期预测上，ARIMA(6,2,0)模型的预测精度和稳定性都较高，平均相对误差绝对值仅为1.56，，可为我国货币供应量的预测和走势提供可靠的参考依据。这个模型阶数与通常看到的ARIMA模型阶数相比较大，但是也能够取得很好的预测效果，值得借鉴。 郝晶等在《我国固定资产投资的ARIMA模型分析与预测》一文中阐述了如何用EVIEWS5.0软件进行时间序列的平稳性检验和ARIMA模型的建立，说明了构建出的ARMA（4，4）模型表征公式的意义，并使用该模型进行了短期预测与实际值比较，结论指出，ARIMA模型延长，预测误差会逐渐增大，这是ARIMA模型的缺陷。尽管如此与其他的预测方法相比，其预测的准确度还是比较高的，尤其在短期预测方面。文章为验证ARIMA模型精准的短期预测水平提供了一个例子。 天津大学的赵黎明,吴文清在文章《基于季节ARIMA 模型的国有粮食企业收购预测分析》中利用Box-Jenkins 法中的季节ARIMA 模型,对2005 年1 月—2009 年4 月中国国有粮食企业收购量数据序列进行分析,建立了国有粮食企业的季节ARIMA 模型，他们认为，从长期来看,季节ARIMA 模型在收购量的预测方面还存在缺陷,该模型的短期预测准确度很高,预测结果的稳定性好，还提出了季节ARIMA 模型对国有粮食企业收购量预测是完全依赖数据的定量方法,具有一定的局限性，今后的研究人员可以考虑在该方法的基础上附加一定的定性分析,弥补完全数据驱动的不足，为ARIMA模型的进一步研究指明了方向。 《ARIMA模型中时间序列平稳性的统计检验方法及应用》的作者刘晓宏等人指出，用观察序列图、自相关图、偏自相关图判断序列是否平稳的方法，优点是直观、简洁, 不足是具有较多的主观因素, 不必要的差分可歪曲时间序列模型及降低预测精度。他们介绍了这样一种新方法，最初由Said and D ickey 把单位根假设检验(unit- root) 的概念推广到ARIMA 模型, 证明yt-1-y项的参数估计分布服从τμ或ττ, 也就证明了对yt-1-y项估计值 山东师范大学的张本丽, 张晓青撰写《基于ARIMA模型的山东省居民消费价格指数分析》一文，运用Eviews软件, 根据山东省CPI历史数据建立了拟合程度较高的居民消费价格ARIMA模型, 并对CPI进行分析和短期预测。文章中指出，用时间序列的ARIMA模型进行预测时,不必考虑它的影响因素对其产生的影响, 仅从序列自身出发, 找出其发展变化的量变规律性， 建立相应的模型进行预测, 这从根本上避免了寻找主要因素及识别主要因素和次要因素的困难。然而实际的经济现象是非常复杂的，忽视实时信息必然会导致一定的预测误差。 李巧梅、熊国经在《社会消费品零售总额ARIMA模型的建立及预测》一文中建立了我国社会消费品零售总额的ARIMA模型，文章详细地说明了模型构建的步