平稳时间序列概述 《时间序列分析》课程作业 韩二东 2010489 说明:由于我自己在《时间序列分析》这门课上花费的时间实在有限,也写不出什么像样的东西来,也只能对其中的部分做些总结。望允。 赵老师 亲启 2011年6月25日 平稳时间序列概述 1 时间序列的基本概念 从统计意义上讲, 时间序列就是将某一个指标在不同时间上的不同数值, 按照时间的先后顺序排列而成的数列. 数列由于受到各种偶然因素的影响, 往往表现出某种随机性, 之间存在着统计上的依赖关系. 中 表示时间, 示时间 上发生的事件的数据表示形式, 表示时间序...
p时, 几显著地等于零), 并且 序列被负指数函数控制收敛到零, 则可判断 为MA(q)序列. 具体做法是: 若 , 应有 , 此时 渐近于正态分布: 可由此来检验 是否显著地等于零。由上式可知 对于每个 , 分别检验 (通常取 或 ), 中满足 的比例是否达到68.3%,若 都未达到,而 达到了,那么几在q步截尾。 ii) 若 序列在p步截尾, 并且 序列被负指数函数控制收敛到零, 则可判断 为AR(p)序列. 具体做法是: 若 , 应有 , 此时 的分布渐近于 , N为样本序列长度, 于是有 对于每个 , 分别检验 中满足 的个数所占的百分比是否超过31.7%, 若 都超过了, 而 时没有超过, 则可以认为 在p步截尾. iii) 若 序列与 序列皆不截尾, 但都被负指数函数控制收敛到零, 则 很有可能是ARMA序列. (二) 模型的定阶 模型的定阶主要是为了在不同的模型之间择优。模型的定阶应当综合考虑模型的准确性和简洁性,对模型的优劣给予客观的评价,评价准则及指标如下: (l) AIC准则 日本学者赤池(Akaike)提出AIC准则来辨识AIC模型的阶数. 具体运用时,在规定范围内使模型阶数从低到高, 分别计算AIC值, 最后确定使其值最小的阶数是模型的合适阶数. AIC准则函数定义如下: 上式中 是样本容量, 是拟合残差方差. 当样本容量 固定时, 随着模型阶数 增加, AIC值的第一项单调下降, 而第二项单调上升, 整个AIC值先下降后上升, 所以, 准则函数存在最小值. 若 AIC(L为拟合的最高阶数), 则可判定ARMA模型的阶数为(p, q). 由于 是随 而变化的, 其极限并不一定趋于真值, 鉴于此, Akaike后来又提出了一个准则,称之为BIC准则. BIC准则函数定义如下: (2) 样本决定系数 和调整后的样本决定系数 把分解式 记作SST=SSR+SSE, 其中SSR称作回归平方和, SSE称作残差平方和, 它们的和构成总离差平方和SST。 那么, 样本决定系数 表示总离差平方和由回归方程可以解释的部分所占的比例, 这一比例越大, 回归方程可以解释的部分越多, 模型越精确, 回归效果越显著. 是一个介于0和1之间的数, 越接近1说明回归拟合效果越好. 但是, 随着回归模型中自变量个数的增加, 而逐渐增大, 这会让使用者误认为拟合效果越来越好, 为克服尸的这一缺点, 引入调整的样本决定系数 : 其中, 是样本容量, 是参数个数. 不随自变量个数的增加而增加, 用来判别拟合优度比 更有效. (3) 残差Q-统计量 残差Q-统计量的定义见下文模型检验部分. 残差Q-统计量越小, 模型越好. (4)平均绝对百分误MAPE 预测是建模的目的之一, 预测效果的好坏也是评判模型建立优劣的重要指标之一. 在社会消费品零售总额中, 通常更注重查看相对指标, 因此本文采用平均绝对百分误差MAPE作为预测效果的评价指标, 其定义为: 一般认为如果MAPE的值低于10, 则认为预测精度较高. (三) 模型参数的估计 (1) AR(p)模型参数的矩估计 AR(P)模型的待估参数为 和 . 的估计满足Yule-Walker方程组 其中 根据样本计算得到. (2) MA(q)模型参数的矩估计 MA(q)模型的待估参数 和 讨的矩估计满足下列方程组: 可见, 上式含有 个方程, 可以采用直接法或迭代法解出 个未知数 . (3) ARMA(p, q)模型参数的矩估计 ARMA(p, q)待估参数为 , 和 . 先用Yule-Walker方程组估计自回归参数 , 再将自回归部分为一个新序列 , 把这个新序列近似看作MA(q)序列, 用上述方法估计移动平均参数 和 。 模型的参数还可以采用最小二乘估计和极大似然估计,这两种方法的估计精较高,可以通过计算程序(软件)实现。 (四) 模型的检验 模型检验主要是检验模型对原时间序列的拟合效果, 就是检验整个模型对信的提取是否充分, 即检验残差序列是否为白噪声序列. 如果残差序列是白噪声序列, 就认为拟合模型是有效的. 如果拟合模型通不过检验, 即残差序列不是白噪声序列, 那么需要重新选择模型进行拟合. 模型的有效性检验侧重于检验残差序列的随机性, 即滞后 期, 残差序列的样本自相关系数应近似为0. 下面使用Q统计量对残差序列进行了 检验. 若将残差序列的自相关函数记为 ,则有 其中 是计算 的序列观测量, 是自相关函数个数. 若观测量较多, 可取 , ; 若样本量较少, 则 一般取 , 当 时 假设 那么,检验统计量 在零假设下服从 分布. 给定置信度 (a通常取0.05或0.10, 本文取0.05, 若 则不能拒绝残差序列相互独立的原假设,检验通过,否则检验不能通过。 2.5 ARMA模型的预测 (一) 正交投影预测(几何预测法) 所谓预测, 就是用过去和现在的观测序列样本值, 对该序列未来时刻的取值进行估计. 这里将预测误差的均方差作为衡量预测效果的标准. 设 是零均值平稳序列, 表示以 为原点,向前步长为 的值 ,的预测值。根据 在 及以前时刻的取值 所提供的信息, 可表示为如下形式: 若 的线性组合构成平面 ,则将 在平面 上的正交投影作为 , 可以使 ( 为预测误差)达到最小。 当 时,有ARMA(q)如下等价形式: (l) 传递形式, 即 (其中 ) (2) 逆转形式, 即 式中 和 分别称为传递函数和逆转函数, 它们可由 计算,其值随 的增大而负指数率衰减。 由上面两个式子可得 其中 ,满足 . 由此可以看出, 形成的平面就是由 形成的平面,是 之间是相互依赖的,而 之间则是相互正交的,而 是平面M的一组正交基。 由正交基 表示如下: 显然,当 时, 上式达到最小. 综上可得, 的最小均方误差预测为 预测误差为 其方差为 它是在时刻 用 对 的所有线性预测中的最小方差, 因而也称为平稳线性最小方差预测. 由上式可知, 步线性最小方差预测误差的方差和预测步长 有关, 而与预测的时间原点 无关. 同时可以看出, 预测的步长 越大, 预测误差的方差也越大, 即预测的准确性越差. (二) 条件期望预测 由于 之间具有相关性, 的概率分布是有条件的(即在 给定的条件下)其期望也是有条件的, 即 有关 和 的条件期望具有以下定则: (l) 常量的条件期望是其本身 对ARMA序列而言,现在时刻与过去时刻的观测值及扰动的条件期望是其本身,即 (2) 未来扰动的条件期望为零, 即 (3) 未来取值的条件期望为未来取值的预测值, 即 因此,利用以上性质可得 (三) 适时修正预测 对于ARMA系统, 由 的最小均方误差预测 可得 因而有 其中 如果把 时刻的观察值和预测值 称为“新”的, 而把t时刻的预测值 称为“旧”的, 则上式说明新的预测值可以由新的观察值和旧的预测值算出来, 即新的预测值是在旧的预测值基础上加一个修正项, 而这一修正项比于旧的一步预测误差, 比例系数随预测超前步数而变化. 适时修正预测能够利最新信息不断对以前的预测进行修正, 得到最新的预测. 参考文献 [1] 倪少凯, 陈卫红. 用Matlab实现灰色数列模型GM(l, l)的预测[J], Joumal of Mathematieal Medieine, 2005, 15(4): 292-293. [2] 王燕著, 应用时间序列分析[M], 北京:中国人民大学出版社, 2005.7. [3] 王振龙主编, 顾岚主审,时间序列分析[M], 中国统计出版社, 200. [4] 王成名, 应用概率统计[M], 广西师范大学出版社, 1994. _1370368093.unknown _1370415773.unknown _1370418583.unknown _1370534168.unknown _1370535128.unknown _1370535954.unknown _1370536690.unknown _1370536995.unknown _1370537162.unknown _1370537389.unknown _1370537809.unknown _1370537921.unknown _1370537937.unknown _1370537999.unknown _1370537882.unknown _1370537721.unknown _1370537758.unknown _1370537454.unknown _1370537281.unknown _1370537306.unknown _1370537262.unknown _1370537056.unknown _1370537148.unknown _1370537010.unknown _1370536883.unknown _1370536909.unknown _1370536919.unknown _1370536902.unknown _1370536829.unknown _1370536866.unknown _1370536185.unknown _1370536588.unknown _1370536598.unknown _1370536399.unknown _1370536463.unknown _1370536058.unknown _1370536119.unknown _1370536025.unknown _1370535619.unknown _1370535808.unknown _1370535873.unknown _1370535930.unknown _1370535828.unknown _1370535723.unknown _1370535746.unknown _1370535656.unknown _1370535280.unknown _1370535424.unknown _1370535523.unknown _1370535360.unknown _1370535222.unknown _1370535244.unknown _1370535209.unknown _1370534742.unknown _1370534964.unknown _1370535018.unknown _1370535091.unknown _1370535032.unknown _1370535055.unknown _1370534999.unknown _1370534946.unknown _1370534892.unknown _1370534915.unknown _1370534544.unknown _1370534653.unknown _1370534700.unknown _1370534592.unknown _1370534341.unknown _1370534396.unknown _1370534314.unknown _1370533396.unknown _1370534015.unknown _1370534100.unknown _1370534119.unknown _1370534139.unknown _1370534088.unknown _1370534075.unknown _1370533651.unknown _1370533950.unknown _1370533976.unknown _1370533907.unknown _1370533559.unknown _1370533617.unknown _1370533413.unknown _1370440767.unknown _1370441183.unknown _1370533183.unknown _1370533387.unknown _1370441317.unknown _1370533107.unknown _1370533161.unknown _1370441513.unknown _1370441225.unknown _1370441094.unknown _1370441136.unknown _1370440917.unknown _1370440614.unknown _1370440667.unknown _1370440729.unknown _1370440648.unknown _1370419122.unknown _1370440591.unknown _1370418610.unknown _1370417275.unknown _1370417591.unknown _1370418165.unknown _1370418258.unknown _1370418440.unknown _1370418566.unknown _1370418395.unknown _1370418204.unknown _1370417875.unknown _1370418007.unknown _1370418093.unknown _1370417900.unknown _1370417687.unknown _1370417756.unknown _1370417650.unknown _1370417402.unknown _1370417506.unknown _1370417575.unknown _1370417485.unknown _1370417327.unknown _1370417355.unknown _1370417314.unknown _1370416578.unknown _1370416794.unknown _1370416914.unknown _1370416987.unknown _1370416828.unknown _1370416650.unknown _1370416724.unknown _1370416627.unknown _1370416251.unknown _1370416326.unknown _1370416477.unknown _1370416271.unknown _1370416185.unknown _1370416111.unknown _1370416151.unknown _1370412254.unknown _1370413723.unknown _1370415360.unknown _1370415508.unknown _1370415755.unknown _1370415661.unknown _1370415688.unknown _1370415403.unknown _1370415417.unknown _1370415383.unknown _1370414983.unknown _1370415073.unknown _1370415255.unknown _1370415018.unknown _1370413819.unknown _1370414230.unknown _1370413745.unknown _1370413183.unknown _1370413362.unknown _1370413698.unknown _1370413720.unknown _1370413464.unknown _1370413304.unknown _1370413327.unknown _1370413236.unknown _1370412922.unknown _1370413060.unknown _1370413122.unknown _1370412938.unknown _1370412302.unknown _1370412890.unknown _1370412263.unknown _1370410659.unknown _1370411705.unknown _1370411827.unknown _1370412023.unknown _1370412150.unknown _1370411960.unknown _1370411743.unknown _1370411787.unknown _1370411600.unknown _1370411628.unknown _1370411649.unknown _1370411688.unknown _1370411615.unknown _1370411333.unknown _1370411563.unknown _1370410744.unknown _1370410512.unknown _1370410546.unknown _1370410566.unknown _1370410535.unknown _1370410363.unknown _1370410492.unknown _1370410270.unknown _1370364858.unknown _1370365977.unknown _1370366742.unknown _1370367030.unknown _1370367941.unknown _1370367041.unknown _1370367855.unknown _1370366994.unknown _1370367024.unknown _1370366983.unknown _1370366340.unknown _1370366514.unknown _1370366645.unknown _1370366411.unknown _1370366101.unknown _1370366228.unknown _1370366030.unknown _1370365741.unknown _1370365801.unknown _1370365863.unknown _1370365892.unknown _1370365847.unknown _1370365760.unknown _1370365773.unknown _1370365583.unknown _1370365613.unknown _1370365669.unknown _1370365696.unknown _1370365324.unknown _1370365360.unknown _1370365508.unknown _1370364876.unknown _1370364455.unknown _1370364687.unknown _1370364812.unknown _1370364833.unknown _1370364775.unknown _1370364537.unknown _1370364642.unknown _1370364510.unknown _1370364151.unknown _1370364209.unknown _1370364000.unknown _1370364133.unknown _1370363971.unknown _1370363987.unknown