时间序列分析模型概述.pptx

第十一章 时间序列分析模型1 时间序列分析模型简介 一、时间序列分析模型概述1、自回归模型2、移动平均模型3、自回归移动平均模型二、随机时间序列的特性分析三、模型的识别与建立四、模型的预测2 长江水质污染的发展趋势预测 【CUMCM 2005A】一、问题分析二、模型假设三、模型建立四、模型预测五、结果分析六、模型评价与改进一、概 述 ARMA模型是一类常用的随机时间序列模型，是一种精度较高的时间序列短期预测方法，其基本思想是：某些时间序列是依赖于时间的一族随机变量，构成该时间序列的单个序列值虽然具有不确定性，但整个序列的变化却有一定的规律性，可以用相应的数学模型近似描述. 通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征，达到最小方差意义下的最优预测. ARMA模型有三种基本类型：自回归（AR：Auto-regressive）模型移动平均（MA：Moving Average）模型自回归移动平均（ARMA：Auto-regressive Moving Average）模型 1 时间序列分析模型【ARMA模型 】简介 1、自回归【 AR 】模型自回归序列 ： 如果时间序列是它的前期值和随机项的线性函数，即可表示为【1】【1】式称为阶自回归模型，记为AR（ ） 注1：实参数 称为自回归系数，是待估参数.随机项 是相互独立的白噪声序列，且服从均值为0、方差为 的正态分布.随机项与滞后变量不相关。 注2：一般假定 均值为0，否则令1 时间序列分析模型【ARMA模型 】简介 记 为 步滞后算子，即，则模型【1】可表示为令 ，模型可简写为【2】AR（ ）过程平稳的条件是滞后多项式 的根大于1 的根均在单位圆外，即 1 时间序列分析模型【ARMA模型 】简介 2、移动平均【MA】模型移动平均序列 ： 如果时间序列是它的当期和前期的随机误差项的线性函数，即可表示为【3】阶移动平均模型，记为MA（ ）式【3】称为 注：实参数为移动平均系数，是待估参数 1 时间序列分析模型【ARMA模型 】简介 引入滞后算子，并令则模型【3】可简写为 【4】注1：移动平均过程无条件平稳 注2：滞后多项式的根都在单位圆外时，AR过程与MA过程能相互表出，即过程可逆，即为MA过程的逆转形式，也就是MA过程等价于无穷阶的AR过程注3：【2】满足平稳条件时， AR过程等价于无穷阶的MA 过程，即1 时间序列分析模型【ARMA模型 】简介 3、自回归移动平均【ARMA】模型【B-J方法建模】自回归移动平均序列 ：如果时间序列是它的当期和前期的随机误差项以及前期值的线性函数，即可表示为【5】式【5】称为阶的自回归移动平均模型，记为ARMA为移动平均系数，称为自回归系数，注1：实参数都是模型的待估参数注2：【1】和【3】是【5】的特殊情形【6】注3：引入滞后算子，模型【5】可简记为注4：ARMA过程的平稳条件是滞后多项式 的根均在单位圆外 的根都在单位圆外 可逆条件是滞后多项式1 时间序列分析模型【ARMA模型 】简介 二、随机时间序列的特性分析1、时序特性的研究工具（1）自相关之间的简单构成时间序列的每个序列值相关关系称为自相关。自相关程度由自相关系数度量，表示时间序列中相隔期的观测值之间的相关程度。 是样本量，为滞后期，代表样本数据的算术平均值 注1：注2：自相关系数 且的取值范围是越接近1，自相关程度越高 1 时间序列分析模型【ARMA模型 】简介 （2）偏自相关偏自相关是指对于时间序列，在给定的条件下，与之间的条件相关关系。 其相关程度用偏自相关系数度量，有 其中是滞后期的自相关系数， 1 时间序列分析模型【ARMA模型 】简介 2、时间序列的特性分析（1）随机性 如果一个时间序列是纯随机序列，意味着序列没有任何规律性，序列诸项之间不存在相关，即序列是白噪声序列，其自相关系数应该与0没有显著差异。可以利用置信区间理论进行判定。 在B-J方法中，测定序列的随机性，多用于模型残差以及评价模型的优劣。 （2）平稳性若时间序列 满足 1）对任意时间，其均值恒为常数； 2）对任意时间和，其自相关系数只与时间间隔 和有关，而与 的起始点无关。 那么，这个时间序列就称为平稳时间序列 。1 时间序列分析模型【ARMA模型 】简介 序列的平稳性也可以利用置信区间理论进行判定.需要注意的是，在B-J方法中，只有平稳时间序列才能直接建立ARMA模型，否则必须经过适当处理使序列满足平稳性要求 在实际中，常见的时间序列多具有某种趋势，但很多序列通过差