时间序列分析课件.pptxVIP

时间序列分析;横截面数据时间序列数据;时间序列和回归;例15.1 (数据：Tax.txt，Tax.sav);例15.1 (数据：Tax.txt，Tax.sav);时间序列的组成部分 ;时间序列的组成部分 ;去掉季节成分，只有趋势和误差成分的例15.1的时间序列。 ;例15.1的时间序列分解出来的纯趋势成分和纯季节成分两条曲线 ;例15.1的时间序列分解出来的纯趋势成分和纯误差成分两条曲线 ;指数平滑 ;指数平滑 ;指数平滑 ;;例15.1时间序列数据的指数平滑和对未来的预测 ;x=scan(d:/booktj1/data/tax.txt) tax=ts(x, frequency = 12, start = c(1995, 1)) ts.plot(tax,ylab=Tax) #plot(x1,ylab=Sales) a=stl(tax, period) #分解 a$time.series #分解结果(三列) ts.plot(a$time.series[,1:3]) b=HoltWinters(tax,beta=0) #Holt-Winters滤波指数平滑 predict(b,n.ahead=12) #对未来12个月预测 pacf(tax); acf(tax) w=arima(tax, c(0, 1, 1),seasonal = list(order=c(1,2 ,1), period=12)) predict(w, n.ahead = 12) w$residuals#残差 acf(w$resi) pacf(w$resi) w$coef#估计的模型系数 w$aic #aic值;Box-Jenkins 方法：ARIMA模型 ;ARIMA模型 ：AR模型;ARIMA模型 ：MA模型;ARIMA模型 ：ARMA模型;ARIMA模型：平稳性和可逆性;ARIMA模型：差分;ARMA模型的识别和估计 ;ARMA模型的识别和估计 ;例：数据AR2.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AR2.sav；拖尾和截尾先来看该时间序列的acf(左)和pacf图(右) ;拖尾和截尾;acf和pacf图;AR(2)、MA(2)和ARMA(2,2)模型所对应的acf和pacf图。注意，图中有些条是从0开始的（不算在p或q内）。 ;例：数据AR2.sav;例：数据AR2.sav;例：数据AR2.sav;例：数据AR2.sav;ARIMA (p,d,q)(P,D,Q)s模型;用ARIMA模型拟合tax.sav ;用ARIMA模型拟合例tax.sav ;例tax.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tax.sav;;例：数据tax.sav;新SPSS;;;用ARIMA模型拟合带有独立变量的时间序列 ;数据tsadds2.sav;用ARIMA模型拟合带有独立变量的时间序列 ;用ARIMA模型拟合带有独立变量的时间序列 ;用ARIMA模型拟合带有独立变量的时间序列 ;新SPSS的时间序列实现;tsadds2.sav;;;;Airport.sav;;;;;;;;;SPSS的实现:ARIMA模型 ;SPSS的实现:ARIMA(p,d,q)(P,D,Q)s模型拟合 ;公式：指数平滑模型;指数平滑模型:线性趋势可加季节模型（Linear trend, additive seasonality model?? ;指数平滑模型:线性趋势可乘季节模型（Linear trend, multiplicative seasonality model） ;指数平滑模型:指数趋势可加季节模型（Exponential trend, additive seasonality model） ;指数平滑模型:指数趋势可乘季节模型(Exponential trend, multiplicative seasonality model);指数平滑模型:减幅趋势可加季节模型（Damped trend, additive seasonality model） ;指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） ;ARIMA模型;ARIMA模型:为了便于描述公式，定义算子 ;AR(p)模型 ;MA(q)模型 ;ARMA(p,q)模型;ARIMA(p,d,q)(P,D,Q)s模型;AR(p)模型： ;AR(p)模型： ;指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplicative seasonality model） ;指数平滑模型:减幅趋势可乘季节模型（Damped trend, multiplic