乘积季节模型.pptVIP

对y=log(m1nsa)做一阶差分单位根检验 对数差分后的数据是平稳的 对数差分后的ACF和PACF 差分后序列自相关图 * 差分后序列偏自相关图 * 模型拟合 定阶 ARIMA((1,4),(1,4),0) 参数估计 * 模型检验 残差白噪声检验 参数显著性检验 延迟 阶数 统计量 P值 待估 参数 统计量 P值 6 2.09 0.7191 5.48 0.0001 12 10.99 0.3584 -3.41 0.0001 * 拟合效果图 * * 随机季节模型 季节性随机时间序列时间间隔为周期长度S的两个时间点上的随机变量有相对较强的相关性，或者说季节性时间序列表现出周期相关，比如对于月度数据，S=12， 与 有相关关系，于是我们可以利用这种周期相关性在 与 之间进行拟合。 随机季节模型,是对季节性随机序列中不同周期的同一周期点之间相关关系的拟合(列相关) * 随机季节模型 设一个季节性时间序列{ }通过D阶的季节差分 后为一平稳时间序列 ，即 ，则一阶自回归季节模型为 或 其中， 为白噪声序列。将 代入式，得 * 同样的思路，一个一阶移动平均季节模型为 或 推广之，季节性的SARIMA为 其中， * 季节性SARIMA模型中，我们假定是 白噪声序列，值得注意的是实际中 不一定是白噪声序列。模型中季节差分仅仅消除了时间序列的季节成分，自回归或移动平均仅仅消除了不同周期相同周期点之间具有的相关部分，时间序列还可能存在长期趋势，相同周期的不同周期点之间也有一定的相关性，所以，模型可能有一定的拟合不足，如果假设 是ARIMA（p,d,q）模型，则式可以改为 乘积季节模型 * 其中， 称上式为乘积季节模型，记为 。如果将模型的AR因子和MA因子分别展开，可以得到类似的 模型，不同的是模型的系数在某些阶为零，故 是疏系数模型或子集模型。 乘积季节模型 使用场合 序列的季节效应、长期趋势效应和随机波动之间有着复杂地相互关联性，简单的季节模型不能充分地提取其中的相关关系 构造原理 短期相关性用低阶ARMA(p,q)模型提取 季节相关性用以周期步长S为单位的ARMA(P,Q)模型提取 假设短期相关和季节效应之间具有乘积关系，模型结构如下 * * 常见的随机季节模型 为了读者学习起来方便，这里列举几个常见的随机季节模型，并简介其生成的过程。 在实际问题中，季节性时间序列所含有的成分不同，记忆性长度各异，因而模型形式也是多种多样的。这里以季节周期S=12为例，介绍几种常见的季节模型。 * 模型一 上述模型先对时间序列 做双重差分，移动平均算子由 和 两个因子构成，该模型是交叉乘积模型 。 实际上该模型是由两个模型组合而成。由于序列存在季节趋势，故先对序列进行季节差分