数学建模——时间序列分析课件

1、时间序列分析,1,PPT学习交流,7000年前的古埃及人把 尼罗河涨落的情况逐天记录下来，就构成所谓的时间序列。对这个时间序列长期的观察使他们发现尼罗河的涨落非常有规律。由于掌握了尼罗河泛滥的规律，使得古埃及的农业迅速发展，从而创建了埃及灿烂的史前文明。,引例,2,PPT学习交流,引例,3,PPT学习交流,时间序列：某一系统在不同的时间（地点或其他条件等）的响应（数据）。 时间序列是按一定的顺序排列而成，“一定顺序”既可以是时间顺序，也可以是具有不同意义的物理量。 如：研究高度与气压的关系，这里的高度就可以看作“时间” 总而言之，时间序列只是强调顺序的重要性，因此又被称为“纵向数据”，相对于“

2、横向数据”而言的。,什么是时间序列,4,PPT学习交流,时间序列数据的预处理 平稳性检验 纯随机性检验 平稳时间序列数据分析 非平稳时间序列数据分析,内容提要,5,PPT学习交流,时间序列数据的预处理,时间序列数据的预处理 基本概念 平稳性检验 纯随机性检验,6,PPT学习交流,概率分布的意义 随机变量族的统计特性完全由它们的联合分布函数或联合密度函数决定 时间序列概率分布族的定义 几个重要数字特征：均值 、方差、自协方差、自相关系数,时间序列数据的预处理,1 基本概念,1 .1 基本的数字特征,7,PPT学习交流,特征统计量,均值 方差 自协方差 自相关系数,时间序列数据的预处理,8,PPT

3、学习交流,1.2 平稳时间序列的定义,严平稳 严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。 宽平稳 宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。,时间序列数据的预处理,9,PPT学习交流,满足如下条件的序列称为宽平稳序列,时间序列数据的预处理,10,PPT学习交流,常数均值和方差 自协方差函数和自相关函数只依赖于时间的平移长度，而与时间的起止点无关 延迟k自协方差函数 延迟k自相关系数,平稳时间序列的统

4、计性质,时间序列数据的预处理,11,PPT学习交流,平稳时间序列的意义,时间序列数据结构的特殊性 可列多个随机变量，而每个变量只有一个样本观察值 平稳性的重大意义 极大地减少了随机变量的个数，并增加了待估变量的样本容量 极大地简化了时序分析的难度，同时也提高了对特征统计量的估计精度,时间序列数据的预处理,12,PPT学习交流,平稳性检验主要有两种方法： 根据时序图和自相关图显示的特征做出判断的图检验方法 构造检验统计量进行假设检验的方法。,时间序列数据的预处理,2 平稳性检验,13,PPT学习交流,时序图检验 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常

5、数值附近随机波动，而且波动的范围有界、无明显趋势及周期特征。 自相关图检验 平稳序列通常具有短期相关性。该性质用自相关系数来描述就是随着延迟期数的增加，平稳序列的自相关系数会很快地衰减向零。,2.1 平稳性的图检验,时间序列数据的预处理,14,PPT学习交流,例1 检验1964年1999年中国纱年产量序列的平稳性 例2 检验1962年1月1975年12月平均每头奶牛月产奶量序列的平稳性 例3 检验1949年1998年北京市每年最高气温序列的平稳性,平稳性检验,时间序列数据的预处理,15,PPT学习交流,例1 平稳性检验,时间序列数据的预处理,16,PPT学习交流,平稳性检验,时间序列数据的预处

6、理,17,PPT学习交流,平稳性检验,时间序列数据的预处理,18,PPT学习交流,例2 自相关图,时间序列数据的预处理,19,PPT学习交流,例3 时序图,时间序列数据的预处理,20,PPT学习交流,例3 自相关图,时间序列数据的预处理,21,PPT学习交流,时间序列数据的预处理,等间隔时间数据的录入,程序说明（数据的录入）,22,PPT学习交流,时间序列数据的预处理,等间隔时间数据的录入,程序说明（数据的录入）,23,PPT学习交流,时间序列数据的预处理,数据的变换,程序说明（数据的录入）,24,PPT学习交流,时间序列数据的预处理,取数据中的子集,程序说明（数据的录入）,25,PPT学习交

7、流,时间序列数据的预处理,缺失数据的插入,程序说明（数据的录入）,26,PPT学习交流,data a;input sha; year=intnx(year,1964,_n_-1);format year year4.; dif=dif(sha); cards; 97 130 156.5 135.2 137.7 180.5 205.2 190 188.6 196.7 180.3 210.8 196 223 238.2 263.5 292.6 317 335.4 327 321.9 353.5 397.8 436.8 465.7 476.7 462.6 460.8 501.8 501.5 489.

8、5 542.3 512.2 559.8 542 567 ; proc gplot;plot sha*year=1 dif*year=2; symbol1 v=circle i=join c=black; symbol2 v=star i=join c=red; proc arima data=a;identify var=sha nlag=22; run;,时间序列数据的预处理,1964年1999年中国纱年产量SAS程序,27,PPT学习交流,时间序列数据的预处理,1962年1月1975年12月平均每头奶牛月产奶量SAS程序,28,PPT学习交流,时间序列数据的预处理,1949年1998年北京

9、市每年最高气温SAS程序,29,PPT学习交流,纯随机序列的定义 纯随机性的性质 纯随机性检验,时间序列数据的预处理,3 纯随机性检验,30,PPT学习交流,3.1 纯随机序列的定义,纯随机序列也称为白噪声序列，它满足如下两条性质,时间序列数据的预处理,31,PPT学习交流,标准正态白噪声序列时序图,时间序列数据的预处理,32,PPT学习交流,3.2 白噪声序列的性质,纯随机性 各序列值之间没有任何相关关系，即为 “没有记忆”的序列 方差齐性 根据马尔可夫定理，只有方差齐性假定成立时，用最小二乘法得到的未知参数估计值才是准确的、有效的线性无偏估计,时间序列数据的预处理,33,PPT学习交流,3

10、.3 纯随机性检验,检验原理 假设条件 检验统计量 判别原则,时间序列数据的预处理,34,PPT学习交流,Barlett定理,如果一个时间序列是纯随机的，得到一个观察期数为 的观察序列，那么该序列的延迟非零期的样本自相关系数将近似服从均值为零，方差为序列观察期数倒数的正态分布,时间序列数据的预处理,35,PPT学习交流,假设条件,原假设：延迟期数小于或等于 期的序列值之间相互独立 备择假设：延迟期数小于或等于 期的序列值之间有相关性,时间序列数据的预处理,36,PPT学习交流,检验统计量,Q统计量 LB统计量,时间序列数据的预处理,37,PPT学习交流,判别原则,拒绝原假设 当检验统计量大于

11、分位点，或该统计量的P值小于 时，则可以以 的置信水平拒绝原假设，认为该序列为非白噪声序列 接受原假设 当检验统计量小于 分位点，或该统计量的P值大于 时，则认为在 的置信水平下无法拒绝原假设，即不能显著拒绝序列为纯随机序列的假定,时间序列数据的预处理,38,PPT学习交流,样本自相关图,例4 随机生成的100个服从标准正态的白噪声序列纯随机性检验,时间序列数据的预处理,39,PPT学习交流,检验结果,由于P值显著大于显著性水平 ，所以该序列不能拒绝纯随机的原假设。换句话说可以认为该序列的波动没有任何统计规律可循，因此可以停止对该序列的统计分析。,时间序列数据的预处理,40,PPT学习交流,数

12、据预处理部分的小结： 序列平稳性与纯随机性检验的基本步骤： 1. 绘制该序列时序图； 2. 自相关图检验； 3. 该序列若是平稳序列，进行纯随机性检验. 实例： 对1950年1998年北京市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验。,时间序列数据的预处理,41,PPT学习交流,时间序列数据的预处理,data a; input year prop; cards; /*数据省略*/ ; proc gplot; plot prop*year=1; /*所画的图记为图1*/ symbol1 v=diamond i=join c=red; proc arima data=a; identi

13、fy var=prop; run;,相应的SAS程序,42,PPT学习交流,时间序列数据的预处理,1. 绘制时序图,该序列显示北京市城乡居民定期储蓄所占比例序列波动“貌似” 比较平稳,43,PPT学习交流,时间序列数据的预处理,2. 自相关图进一步检验平稳性,样本自相关图延迟3阶后，自相关系数都落在2倍标准差范围以内，而且自相关系数向零衰减的速度非常快。综合前两个步骤，可知北京市城乡居民定期储蓄所占比例为平稳序列,44,PPT学习交流,时间序列数据的预处理,3. 序列纯随机性检验,45,PPT学习交流,结论： 由于统计量的P值0.0001，远远小于 0.05，即拒绝序列为纯随机序列的假定。因而

14、认为京市城乡居民定期储蓄所占比例的变动不属于纯随机波动，各序列值之间有相关关系。 这说明我们可以根据历史信息预测未来年份的北京市城乡居民定期储蓄所占比例，该平稳序列属于非白噪声序列，可以对其继续进行研究。,时间序列数据的预处理,46,PPT学习交流,平稳时间序列数据分析 方法性工具与两种相关系数 自回归(AutoRegression, AR)模型 移动平均(Moving Average, MA)模型 ARMA模型 平稳序列建模,平稳时间序列数据分析,47,PPT学习交流,1.1 方法性工具,差分运算,一阶差分 阶差分 步差分,平稳时间序列数据分析,1. 方法性工具与两种相关系数,48,PPT学

15、习交流,延迟算子,延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻 记 B为延迟算子，有,平稳时间序列数据分析,49,PPT学习交流,延迟算子的性质,平稳时间序列数据分析,则有（用延迟算子表示差分）：,50,PPT学习交流,1.2 两种样本相关系数的基本概念与计算,样本自相关系数,样本偏自相关系数,平稳时间序列数据分析,所谓滞后k阶偏自相关系数就是指在给定中间k-1个随机变量 xt-1, xt-2, xt-k+1的条件下，或者说，在剔除了中间k-1个随机变量的干扰之后， xt-k对xt影响的相关度量。,51,PPT学习交流,样本偏自相关系数的

16、计算,平稳时间序列数据分析,52,PPT学习交流,2. AR模型的定义,具有如下结构的模型称为 阶自回归模型，简记为 特别当 时，称为中心化 模型,平稳时间序列数据分析,53,PPT学习交流,均 值,如果AR(p)模型满足平稳性条件，则有 根据平稳序列均值为常数，且 为白噪声序列，有 推导出,平稳时间序列数据分析,54,PPT学习交流,AR(P)序列中心化变换,称 为 的中心化序列 ，令,平稳时间序列数据分析,55,PPT学习交流,中心化AR(P)模型,引进延迟算子，中心化 模型又可以简记为 自回归系数多项式,平稳时间序列数据分析,56,PPT学习交流,AR模型自相关系数的性质,拖尾性 呈负指

17、数衰减,平稳时间序列数据分析,57,PPT学习交流,例5 考察如下AR模型的自相关图,平稳时间序列数据分析,58,PPT学习交流,自相关系数按复指数单调收敛到零,平稳时间序列数据分析,59,PPT学习交流,自相关系数正负相间的衰减,平稳时间序列数据分析,60,PPT学习交流,自相关系数呈现出“伪周期”性,平稳时间序列数据分析,61,PPT学习交流,自相关系数不规则衰减,平稳时间序列数据分析,62,PPT学习交流,偏自相关系数的截尾性,AR(p)模型偏自相关系数P阶截尾,平稳时间序列数据分析,63,PPT学习交流,例5续 考察如下AR模型的偏自相关图,平稳时间序列数据分析,64,PPT学习交流,

18、理论偏自相关系数,样本偏自相关图,平稳时间序列数据分析,65,PPT学习交流,理论偏自相关系数,样本偏自相关图,平稳时间序列数据分析,66,PPT学习交流,理论偏自相关系数,样本偏自相关图,平稳时间序列数据分析,67,PPT学习交流,理论偏自相关系数,样本偏自相关系数图,平稳时间序列数据分析,68,PPT学习交流,3. MA模型的定义,具有如下结构的模型称为 阶移动平均模型，简记为 特别当 时，称为中心化 模型,平稳时间序列数据分析,69,PPT学习交流,移动平均系数多项式,引进延迟算子，中心化 模型又可以简记为 阶移动平均系数多项式,平稳时间序列数据分析,70,PPT学习交流,MA模型的统计

19、性质,常数均值 常数方差,平稳时间序列数据分析,71,PPT学习交流,MA模型的统计性质,MA模型的偏自相关系数拖尾,平稳时间序列数据分析,72,PPT学习交流,例6 考察如下MA模型的相关性质,平稳时间序列数据分析,73,PPT学习交流,MA模型的自相关系数截尾,平稳时间序列数据分析,74,PPT学习交流,MA模型的自相关系数截尾,平稳时间序列数据分析,75,PPT学习交流,MA模型的偏自相关系数拖尾,平稳时间序列数据分析,76,PPT学习交流,MA模型的偏自相关系数拖尾,平稳时间序列数据分析,77,PPT学习交流,4. ARMA模型的定义,具有如下结构的模型称为自回归移动平均模型，简记为

20、特别当 时，称为中心化 模型,平稳时间序列数据分析,78,PPT学习交流,系数多项式,引进延迟算子，中心化 模型又可以简记为 阶自回归系数多项式 阶移动平均系数多项式,平稳时间序列数据分析,79,PPT学习交流,ARMA(p,q)模型的统计性质,均值 协方差 自相关系数,平稳时间序列数据分析,80,PPT学习交流,ARMA模型的相关性,自相关系数拖尾 偏自相关系数拖尾,平稳时间序列数据分析,81,PPT学习交流,例7 考察ARMA模型的相关性,拟合模型ARMA(1,1): 并直观地考察该模型自相关系数和偏自相关系数的 性质。,平稳时间序列数据分析,82,PPT学习交流,自相关系数和偏自相关系数

21、拖尾性,样本自相关图,样本偏自相关图,平稳时间序列数据分析,自相关系数和偏自相关系数拖尾,83,PPT学习交流,ARMA模型相关性特征,平稳时间序列数据分析,84,PPT学习交流,平稳时间序列数据分析,平稳时间序列的理论基础,对于任何一个离散平稳过程 它都可以分解为两个不相关的平稳序列之和，其中一个为确定性的，另一个为随机性的，不妨记作 其中： 为确定性序列， 为随机序列， 它们需要满足如下条件 （1） （2） （3）,Wold分解定理（1938）：,85,PPT学习交流,平稳时间序列数据分析,ARMA模型分解,确定性序列,随机序列,86,PPT学习交流,5.平稳序列建模,建模步骤 模型识别

22、参数估计 模型检验 模型优化 序列预测,平稳时间序列数据分析,87,PPT学习交流,建模步骤,平 稳 非 白 噪 声 序 列,计 算 样 本 相 关 系 数,模型 识别,参数 估计,模型 检验,模 型 优 化,序 列 预 测,Y,N,平稳时间序列数据分析,88,PPT学习交流,模型定阶的困难,因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动 当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若

23、干阶之后正常衰减到零值附近作拖尾波动呢？,平稳时间序列数据分析,89,PPT学习交流,样本相关系数的近似分布,Barlett Quenouille,平稳时间序列数据分析,90,PPT学习交流,模型定阶经验方法,95的置信区间 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。,平稳时间序列数据分析,91,PPT学习交流,例8 选择合适的模型ARMA拟合1950年1998年北 京市城乡居民定期储蓄比例序列。,平稳

24、时间序列数据分析,92,PPT学习交流,序列偏自相关图,平稳时间序列数据分析,93,PPT学习交流,拟合模型识别,自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 所以可以考虑拟合模型为AR(1),平稳时间序列数据分析,94,PPT学习交流,例9 美国科罗拉多州某

25、一加油站连续57天的OVERSHORT序列,平稳时间序列数据分析,95,PPT学习交流,序列自相关图,平稳时间序列数据分析,96,PPT学习交流,序列偏自相关图,平稳时间序列数据分析,97,PPT学习交流,拟合模型识别,自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列自相关系数1阶截尾 偏自相关系数显示出典型非截尾的性质。 综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1),平稳时间序列数据分析,98,PPT学习交流,例10 1880-19

26、85年全球气表平均温度改变值差分序列,平稳时间序列数据分析,99,PPT学习交流,序列自相关图,平稳时间序列数据分析,100,PPT学习交流,序列偏自相关图,平稳时间序列数据分析,101,PPT学习交流,拟合模型识别,自相关系数显示出不截尾的性质 偏自相关系数也显示出不截尾的性质 综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列,平稳时间序列数据分析,102,PPT学习交流,参数估计,待估参数 个未知参数 常用估计方法 矩估计 极大似然估计 最小二乘估计,平稳时间序列数据分析,103,PPT学习交流,例8续 确定1950年1998年北京市城乡居民定期储蓄比

27、例序列拟合模型的口径 拟合模型：AR(1) 估计方法：极大似然估计 模型口径,平稳时间序列数据分析,104,PPT学习交流,例9续 确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 拟合模型：MA(1) 估计方法：条件最小二乘估计 模型口径,平稳时间序列数据分析,105,PPT学习交流,例10续 确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 拟合模型：ARMA(1,1) 估计方法：条件最小二乘估计 模型口径,平稳时间序列数据分析,106,PPT学习交流,模型检验,模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最

28、简,平稳时间序列数据分析,107,PPT学习交流,模型的显著性检验,目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效.,平稳时间序列数据分析,108,PPT学习交流,假设条件,原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列,平稳时间序列数据分析,109,PPT学习交流,检验统计量,LB统计量,平稳时间序列数据分析,110,PPT学习交流,例8续 检验195

29、0年1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 残差白噪声序列检验结果,平稳时间序列数据分析,111,PPT学习交流,参数显著性检验,目的 检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件 检验统计量,平稳时间序列数据分析,112,PPT学习交流,例8续 检验1950年1998年北京市城乡居民定期储蓄比例序列极大似然估计模型的参数是否显著 参数检验结果,平稳时间序列数据分析,113,PPT学习交流,模型优化,问题提出 当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。 优化的目的 选择相对最优

30、模型,平稳时间序列数据分析,114,PPT学习交流,AIC准则,最小信息量准则（An Information Criterion） 指导思想 似然函数值越大越好 未知参数的个数越少越好 AIC统计量,平稳时间序列数据分析,115,PPT学习交流,SBC准则,AIC准则的缺陷 在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多 SBC统计量,平稳时间序列数据分析,116,PPT学习交流,例11 连续读取70个某次化学反应的过程数据，构成一时间序列。对该序列进行两个模型拟合，并用AIC准则和SBC准则评判例两个拟合模型的相对优劣。,结果AR(1)

31、优于MA(2),平稳时间序列数据分析,117,PPT学习交流,序列预测,线性预测函数 预测方差最小原则,平稳时间序列数据分析,118,PPT学习交流,例8续 北京市城乡居民定期储蓄比例序列拟合与预测图,平稳时间序列数据分析,119,PPT学习交流,ARMA模型综合举例,平稳时间序列数据分析,例：现有201个连续的生产纪录，选择适当模型拟合该序列的发展并写出拟合模型，最后预测该序列后5年的95%预测的置信区间。,步骤： 1、平稳性检验 2、纯随机性检验（白噪声检验） 3、模型识别（前提是平稳非白噪声序列） 4、拟合模型 5、显著性检验（包括模型和参数的显著性检验） 6、模型优化 7、预测,120

32、,PPT学习交流,平稳时间序列数据分析,1. 平稳性检验,data a; input factory ; time=_n_; cards; /*数据省略*/ ; proc gplot; plot factory*time; symbol v=diamond i=join c=blue; proc arima data=a; identify var=factory nlag=18; run;,121,PPT学习交流,平稳时间序列数据分析,1. 平稳性检验,122,PPT学习交流,平稳时间序列数据分析,1. 平稳性检验,由时序图和自相关图可知，序列是平稳序列,123,PPT学习交流,平稳时间序列

33、数据分析,2.纯随机性检验（白噪声检验）,由p值都小于0.05可知，序列不是白噪声序列，各序列值之间有相关关系，可以对其进行研究。,124,PPT学习交流,平稳时间序列数据分析,3.模型识别,SAS系统提供了相对最优模型识别，只要在identify命令中增加一个可选择命令minic，就可以获得一定范围内最优模型定阶。故可将模型识别和模型优化一起考虑。,125,PPT学习交流,平稳时间序列数据分析,3.模型识别,data a; input factory ; time=_n_; cards; /*数据省略*/ ; proc gplot; plot factory*time; symbol v=d

34、iamond i=join c=blue; proc arima data=a; identify var=factory nlag=18 minic p=(0:5) q=(0:5); /*模型定阶*/ run;,126,PPT学习交流,平稳时间序列数据分析,3.模型识别,BIC最小信息值为1.960692，根据BIC最小信息准则，选择MA(1)模型是相对最优的,127,PPT学习交流,平稳时间序列数据分析,4.拟合模型,data a; input factory ; time=_n_; cards; /*数据省略*/ ; proc gplot; plot factory*time; symb

35、ol v=diamond i=join c=blue; proc arima data=a; identify var=factory; estimate q=1 method=ml; run;,128,PPT学习交流,平稳时间序列数据分析,4.拟合模型,可知模型为：,MA模型:,129,PPT学习交流,平稳时间序列数据分析,5.显著性检验,由于各延迟阶数下LB统计量的P值都显著大于0.05，可以认为这个拟合模型的残差序列属于白噪声序列，根据模型检验的判别原则，得出该拟合模型显著有效。,130,PPT学习交流,平稳时间序列数据分析,5.显著性检验,看到对两个参数的检验t统计量的P值均小于0.0

36、001，则两参数检验均显著，则每一个未知参数显著非零，该模型结构已经是最精简，不需要删除不显著参数。,131,PPT学习交流,平稳时间序列数据分析,6.预测并作出拟合图,data a; input factory ; year=_n_; cards; /*数据省略*/ ; proc arima data=a; identify var=factory; estimate q=1 method=ml; forecast id=year lead=5 out=results;/*lead预测期数，id指定身份变量，out预测结果存入某数据集*/ proc gplot data=results; p

37、lot factory*year=1 forecast*year=2 l95*year=3 u95*year=3/overlay; symbol1 v=star i=join c=black; symbol2 v=none i=join c=red; symbol3 v=none i=join c=green; run;,132,PPT学习交流,平稳时间序列数据分析,6.预测并作出拟合图,133,PPT学习交流,平稳时间序列数据分析,6.预测并作出拟合图,预测该序列后5年的预测值及95%预测的置信区间值,134,PPT学习交流,非平稳时间序列数据分析 差分运算 ARIMA模型,非平稳时间序列数

38、据分析,135,PPT学习交流,1.差分运算,差分运算的实质 差分方式的选择 过差分,非平稳时间序列数据分析,136,PPT学习交流,差分运算的实质,差分方法是一种非常简便、有效的确定性信息提取方法 Cramer分解定理在理论上保证了适当阶数的差分一定可以充分提取确定性信息 差分运算的实质是使用自回归的方式提取确定性信息,非平稳时间序列数据分析,137,PPT学习交流,Cramer分解定理（1961）,任何一个时间序列 都可以分解为两部分的叠加：其中一部分是由多项式决定的确定性趋势成分，另一部分是平稳的零均值误差成分，即,确定性影响,随机性影响,非平稳时间序列数据分析,138,PPT学习交流,

39、差分方式的选择,序列蕴含着显著的线性趋势，一阶差分就可以实现趋势平稳 序列蕴含着曲线趋势，通常低阶（二阶或三阶）差分就可以提取出曲线趋势的影响 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取周期信息,非平稳时间序列数据分析,139,PPT学习交流,例12 1964年1999年中国纱年产量序列蕴含着 一个近似线性的递增趋势。对该序列进行一阶差分 运算 考察差分运算对该序列线性趋势信息的提取作用,非平稳时间序列数据分析,140,PPT学习交流,差分前后时序图,原序列时序图,差分后序列时序图,非平稳时间序列数据分析,141,PPT学习交流,例13 尝试提取1950年1999

40、年北京市民用车辆拥 有量序列的确定性信息,非平稳时间序列数据分析,142,PPT学习交流,差分后序列时序图,一阶差分,二阶差分,非平稳时间序列数据分析,143,PPT学习交流,例14 差分运算提取1962年1月1975年12月平 均每头奶牛的月产奶量序列中的确定性信息,非平稳时间序列数据分析,144,PPT学习交流,差分后序列时序图,一阶差分,1阶12步差分,非平稳时间序列数据分析,145,PPT学习交流,过差分,足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息 但过度的差分会造成有用信息的浪费,假设序列如下 考察一阶差分后序列和二阶差分序列的平稳性与方差,非平稳时间序列数据分析,1

41、46,PPT学习交流,比较,一阶差分 平稳 方差小,二阶差分（过差分） 平稳 方差大,非平稳时间序列数据分析,147,PPT学习交流,ARIMA模型,ARIMA模型结构 ARIMA模型建模 ARIMA模型预测 疏系数模型 季节模型,非平稳时间序列数据分析,148,PPT学习交流,ARIMA模型结构,使用场合 差分平稳序列拟合 模型结构,非平稳时间序列数据分析,149,PPT学习交流,ARIMA 模型族,d=0 ARIMA(p,d,q)=ARMA(p,q) P=0 ARIMA(P,d,q)=IMA(d,q) q=0 ARIMA(P,d,q)=ARI(p,d) d=1, P=q=0 ARIMA(P

42、,d,q)=random walk model,非平稳时间序列数据分析,150,PPT学习交流,ARIMA模型建模步骤,获 得 观 察 值 序 列,平稳性 检验,差分 运算,Y,N,白噪声 检验,Y,分 析 结 束,N,拟合 ARMA 模型,非平稳时间序列数据分析,151,PPT学习交流,例15 对1952年1988年中国农业实际国民收入 指数序列建模,非平稳时间序列数据分析,152,PPT学习交流,一阶差分序列时序图,非平稳时间序列数据分析,153,PPT学习交流,一阶差分序列自相关图,非平稳时间序列数据分析,154,PPT学习交流,一阶差分后序列白噪声检验,非平稳时间序列数据分析,155,

43、PPT学习交流,拟合ARMA模型,偏自相关图,非平稳时间序列数据分析,156,PPT学习交流,建 模,定阶 ARIMA(0,1,1) 参数估计 模型检验 模型显著 参数显著,非平稳时间序列数据分析,157,PPT学习交流,ARIMA模型预测,原则 最小均方误差预测原理 Green函数递推公式,非平稳时间序列数据分析,158,PPT学习交流,例15续 对中国农业实际国民收入指数序列做为期10年的预测,非平稳时间序列数据分析,159,PPT学习交流,疏系数模型,ARIMA(p,d,q)模型是指d 阶差分后自相关最高阶数为p，移动平均最高阶数为q 的模型，通常它包含p+q个独立的未知系数： 如果该模

44、型中有部分自相关系数 或部分移动平滑系数 为零，即原模型中有部分系数省缺了，那么该模型称为疏系数模型。,非平稳时间序列数据分析,160,PPT学习交流,疏系数模型类型,如果只是自相关部分有省缺系数，那么该疏系数模型可以简记为 为非零自相关系数的阶数 如果只是移动平滑部分有省缺系数，那么该疏系数模型可以简记为 为非零移动平均系数的阶数 如果自相关和移动平滑部分都有省缺，可以简记为,非平稳时间序列数据分析,161,PPT学习交流,例16 对1917年1975年美国23岁妇女每万人生育 率序列建模,非平稳时间序列数据分析,162,PPT学习交流,一阶差分,非平稳时间序列数据分析,163,PPT学习交流,自相关图,非平稳时间序列数据分析,164,PPT学习交流,偏自相关图,非平稳时间序列