《应用时间序列分析——基于Python》（王春宁主编）教材课件第3章.pptx

第3章非平稳时间序列模型

本章内容序列介绍3.1非平稳时间序列ARIMA模型3.2无季节效应的非平稳时间序列模型3.3ARIMA模型的建立季节ARIMA模型3.4有季节效应的非平稳时间序列模型3.5季节ARIMA模型的建立

3.1非平稳时间序列平稳时间序列的三个条件：二阶矩存在；均值函数为常数；自协方差函数只是时间间隔的函数。若一个时间序列不满足上述三个条件中的任何一个，即为非平稳时间序列。非平稳时间序列可以有多种分类：考虑均值与协方差的平稳性，有均值非平稳时间序列与协方差非平稳时间序列。确定性趋势时间序列随机趋势时间序列考虑是否具有周期特征，可分为无季节效应的非平稳时间序列与有季节效应的非平稳时间序列。

非平稳时间序列与平稳时间序列的差异平稳时间序列的图像没有明显的趋势性与周期性：序列的振动是短暂的，经过一段时间以后，振动的影响会消失，序列将会回到其长期均值水平；在不同时刻或时段，序列偏离均值的程度基本相同。非平稳时间序列存在明显的趋势性或周期性，或者存在不同时段震荡幅度明显不同的特征。1.从图像特征看

裂纹扩散长度与压力周期1820-1869年间太阳黑子数据2012年1月-2020年12月美元对人民币汇率2000-2020年中国居民消费价格指数

2001年1月-2020年12月中国城镇居民人均可支配收入2001年1月-2020年12月社会消费品零售总额

2.从统计属性看平稳时间序列：具有常数均值，序列围绕在长期均值周围波动；方差和自协方差函数具有时不变性或时齐性；理论上，序列自相关函数随滞后阶数的增加而衰减。非平稳时间序列：或者不具有常数均值；或者方差和自协方差函数不具有时齐性；理论上，序列自相关函数不随滞后阶数的增加而衰减。

3.从建模要求看平稳序列具有许多优良性质，一般可满足统计建模的各种要求，诸如参数估计、模型检验等，传统方法均能获得良好效果。非平稳序列，因不满足若干统计分析方法的基本假定，传统方法不再适用。我们只能对一些特殊的非平稳序列进行统计建模。

?例3.1模拟的随机游走序列

1.均值非平稳序列的分类依内在属性，时间趋势可分为确定性时间趋势和随机时间趋势。若非平稳序列的均值函数可以由一个明确的时间函数所表示，或者说，该非平稳序列的走势呈现随时间稳定发展的态势，则可视其为确定性趋势时间序列。若非平稳序列的均值函数不能直接由一个确定的时间函数所表示，但是由于某些均衡作用，使得序列不同部分的特性非常相似，只是局部均值水平不同，则可视其具有随机时间趋势（齐次非平稳时间序列）。均值非平稳时间序列

?例3.2均值平稳性不同的三个模型模拟图

2.均值平稳化方法?

?例3.3

??

?

3.过差分现象任何一个非平稳时间序列均可通过差分达到平稳。差分运算一方面是信息提取过程，另一方面，不适当的差分次数又是信息损失或扭曲的过程。对退势平稳时间序列进行差分，同样能使序列达到平稳，但这一处理可能导致信息损失，序列的波动性会变大。对平稳时间序列进行的差分，差分后序列仍为平稳序列，但可能会导致信息扭曲，致使序列的统计属性发生变化。这种现象称为过差分现象，显然，对齐次非平稳时间序列进行平稳化变换时，应避免过度差分。

?例3.4

通常采用幂变换使序列的方差达到平稳Box-Cox变换方差非平稳时间序列?变换-1.0-0.50.00.5常见Box-Cox变换表

使用Box-Cox变换时需要注意的地方?

本章内容序列介绍3.1非平稳时间序列ARIMA模型3.2无季节效应的非平稳时间序列模型3.3ARIMA模型的建立季节ARIMA模型3.4有季节效应的非平稳时间序列模型3.5季节ARIMA模型的建立

均值非平稳过程的描述

?

?

3.2无季节效应的非平稳时间序列模型无季节效应的随机趋势非平稳时间序列即齐次非平稳时间序列由求和自回归移动平均（ARIMA）模型进行刻画。

?具有如下结构的模型称为求和自回归移动平均模型，记为ARIMA(p,d,q)ARIMA(p,d,q)模型的结构

?

ARIMA(p,d,q)模型的性质1.广义自回归系数多项式?

例3.5?2.方差与协方差ARIMA(p,d,q)模型的方差具有时变特征，是非平稳的。

?

例3.6?

3.自相关与偏自相关函数ARIMA模型所表述的时间序列，其自相关函数一般呈线性缓慢衰减或震荡缓慢衰减特征，偏自相关函数一般呈截尾特征。对序列进行适当差分后，差分序列的自相关函数与偏自相关函数将呈指数衰减（阻尼正弦波）或截尾特征。

例3.7?

模拟的时间序列图差分后的时间序列图

模拟序列的样本自相关与样本偏自相关图差分后的的样本自相关与样本偏自相关图

3.3ARIMA模型的建立ARIMA模型建模过程就是把齐次非平稳序列转化为平稳序列后进行ARMA模型构建的过程