ARMA时间序列模型及SPSS应用-PPT.ppt

《ARMA时间序列模型及SPSS应用-PPT.ppt》由会员分享，可在线阅读，更多相关《ARMA时间序列模型及SPSS应用-PPT.ppt（49页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、ARMA 时间序列模型及SPSS 应用提纲时间序列模型的概念模型的识别模型阶数的确定模型参数的估计模型的检验模型的应用2一、时间序列模型的概念3时间序列的概念 时间序列是指将同一统计指标的数值按其发生的时间先后顺序排列而成的序列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。2000-2013年我国GDP增长图*公开数据整理4ARMA 模型的概念 ARMA 模型（自回归滑动平均模型，Auto-Regressive and Moving Average Model）是研究时间序列的重要方法。1976年，英国统计学家G.E.P.Box和英国统计学家G.M.Jenkins联合出版了时间序

2、列分析预测和控制一书，在总结前人的研究的基础上，系统地阐述了ARMA模型的识别、估计、检验及预测的原理和方法，成为时间序列分析的核心，故ARMA 模型也称为Box-Jenkins模型。5ARMA 模型的概念 ARMA 是一种单变量、同方差的线性模型，对于满足有限参数线形模型的平稳时间序列，主要有以下三种基本形式：u自回归模型（AR:Auto-regressive）u移动平均模型（MA:Moving-Average）u混合模型（ARMA:Auto-regressive Moving-Average）平稳时间序列：统计量的统计规律不随时间变化。6设 为零均值的实平稳时间序列，阶数为p的自回归模型定

3、义为：AR 模型 模型简记为，是时间序列 自身回归的表达式，所以称为自回归模型。其中，是独立同分布的随机变量序列，且满足，也称白噪声序列。为了方便表示，引进延迟算子的概念。令：则自回归模型可写为：其中：7大家应该也有点累了，稍作休息大家有疑问的，可以询问和交流 大家有疑问的，可以询问和交流8 对于模型：AR 模型 若满足条件：的根全在单位圆外，即所有根的模都大于1，则称此条件为AR(p)模型的平稳性条件。当模型满足平稳性条件时，存在且一般是B的幂级数，于是模型又可写为：9 设 为零均值的实平稳时间序列，阶数为q的滑动平均模型定义为：模型简记为。同样为了方便表示，引进延迟算子的概念。令：则滑动平

4、均模型可写为：其中：MA 模型 若满足条件：的根全在单位圆外，则称此条件为MA(q)模型的可逆性条件，此时 存在且一般是B的幂级数，于是模型又可写为：10AR 与MA 模型的比较 自回归模型：意义在于仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不一定平稳。滑动平均模型：意义在于用过去各个时期的随机干扰（白噪声）或预测误差的线性组合来表达当前预测值，但具有不一定可逆性。11ARMA 模型 设 为零均值的实平稳时间序列，p阶自回归q阶滑动平均混合模型定义为：=模型简记为ARMA(p,q).显然，当q=0时，ARMA(p,q)模型就是AR(p)模型；显然，当p=0时，AR

5、MA(p,q)模型就是MA(q)模型；ARMA(p,q)模型的平稳性只依赖于AR 部分；ARMA(p,q)模型的可逆性只依赖于MA 部分；12二、模型的识别13MA 模型的自相关函数阶数为q的滑动平均模型定义为：根据自相关函数的定义：因为所以自相关函数变为三项：14MA 模型的自相关函数对于：分以下几种情况讨论：1）当 k=0 时，有2）当 时，有3）当 kq 时，有从上述性质可以看出，MA(q)序列的自相关系数 在 kq 时全为0.这种性质称为q步截尾性，表明序列只有q步相关性。15AR 模型的自相关函数阶数为q的自相关模型定义为：根据自相关函数的定义：令k=1,2,p,得自相关系数：从上述

6、性质可以看出，AR(q)序列的自相关系数 随着k的增大始终不为0.这种性质称为拖尾性，并且是呈负指数衰减。16ARMA 模型的自相关函数ARMA(p,q)模型的自相关系数，可以看做AR(p)模型的自相关函数和MA(q)模型的自相关系数的混合物。当p=0时，它具有截尾性质；当q=0时，它具有拖尾性质；当p，q均不为0时，如果当p,q均大于或者等于2，其自相关函数的表现形式比较复杂，有可能呈现出指数衰减、正弦衰减或者二者的混合衰减，但通常都具有拖尾性质。17偏相关函数 从上面的讨论可知，对于自相关函数，只有MA(q)模型是截尾的，AR(p)和ARMA(p,q)模型是拖尾的。为了进一步区分AR(p)

7、模型和ARMA(p,q)模型，我们引入了偏相关函数的概念。对于零均值的平稳时间序列中，给定，则 之间的偏相关函数定义为：注意：此时的期望指的是条件期望。18AR 模型偏相关函数 设 为零均值的实平稳时间序列，设它满足AR(p)模型：用 乘上式两边，当给定 时，取条件期望得：因为 k0 时，且有 故 显然 即为AR(p)序列的偏相关函数，同时它又是AR(p)模型的最后一个回归系数。当kp时，有，也即是截尾的。19ARMA 模型偏相关函数 ARMA模型的偏相关函数求解方法和上述略有不同，考虑用 对 做最小方差估计来求ARMA(p,q)序列(把MA(q)看作是 p=0 的特例)的偏相关函数，同时推出

8、偏相关函数与自相关函数的关系。当kp时，即ARMA模型和MA模型都是拖尾的。20平稳时间序列的类型识别21三、模型阶数的确定22讨论：讨论：如何用样本自相关函数来推断模型的阶。模型阶数的确定23样本的样本的自相关函数自相关函数样本自相关函数定义为：模型阶数的确定（式1）由样本值求出样本自相关函数24由正态分布的性质知，或在实际应用中，因为q一般不是很大，而N很大，此时常取或25或（3）ARMA(p,q)模型的阶数p和q难于确定，一般采用由低阶到高阶逐个试探，如取(p,q)为(1,1)，(1,2)，(2,1)，直到经验证认为模型合适为止。26四、模型参数的估计27 当选定模型及确定阶数后，进一步

9、地问题是要估计出模型的未知参数。参数估计方法有矩法、最小二乘法、极大似然法等。模型参数的估计28模型参数的估计写成矩阵式为（式2）（式3）推导见课本P135AR(AR(pp)模型的参数估计模型的参数估计29利用(式2)，(式3)将参数换成它们的估计，模型参数的估计AR(AR(pp)模型的参数估计模型的参数估计30模型参数的估计将参数换成它们的估计，可直接求解，也可迭代求解。MA(MA(qq)模型模型的参数估计的参数估计MA(q)序列的协方差函数表达式31模型参数的估计首先，利用（式4），将参数换成它们的估计（式4）ARMA(ARMA(pp,qq)模型模型的参数估计的参数估计32然后，令模型参数

10、的估计ARMA(ARMA(pp,qq)模型模型的参数估计的参数估计33五、模型的检验34模型的检验35模型的检验M取N/10左右36六、模型的应用37 时间序列或动态数据是依时间顺序先后排列的，各有其大小的一列数据。这种有序性和大小反映了数据内部的相互联系和变化规律，蕴含着产生这列数据的现象、过程或系统的有关特性，有关的信息。研究、分析与处理动态数据，正是为了揭示数据本身的结构与规律，了解系统的特性，明了系统与外界的联系，推断数据与系统的未来情况。但是，通常人们获得的实测数据总是有限而非无限的，所以时间序列分析就是在有限个样本数据总量的情况下，建立相对准确的数学模型，从而获得具有一定精度的统计

11、特性，进而达到预判经济形势、规避风险等目的。时间序列分析38构建模型的数据（67个数据，5个测试数据）构建时间序列模型39 使用SPSS画出时间序列的序列图序列特点：1.序列具有周期性，且周期为12个月。2.序列具有上升趋势。3.序列不平稳。构建时间序列模型40 RA、MA、RAMA模型，只适用于平稳时间序列，但是通过前面的分析，该时间序列的模型符合以下特征：其中 是趋势项，是周期项，则是平稳序列。只要能将平稳序列 从原始具有趋势的非平稳序列 中提取出来，就可以对提取出来的序列进行上述平稳序列的分析。而一个具有趋势项的非平稳序列，总是可以在经过若干次差分后变为平稳序列。当然，具有周期性的序列也

12、可以通过季节性的差分提取平稳序列。如果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；如果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，通常可以较好的提取周期信息。构建时间序列模型序列平稳化41构建时间序列模型序列平稳化 进行季节性差分，周期为12序列特点：1.周期性基本去除；2.序列仍然具有上升趋势。42构建时间序列模型序列平稳化 进行季节性差分以及一阶差分序列特点：1.周期性基本去除；2.序列围绕着0波动，零均值。3.经过差分处理后为平稳的序列适用于ARMA模型时，称这种模型为ARIMA(p,d,q)(

13、P,D,Q)43构建时间序列模型相关性分析 自相关函数特性：1.自相关函数在一阶滞后的函数值基本都落入置信区间。2.在12阶滞后时自相关系数超出置信区间，周期性趋势仍存在。3.自相关函数拖尾，无截断。44特性：1.偏相关函数在二阶滞后的函数值基本都落入置信区间；2.偏相关函数拖尾，无截断,差分处理后的模型适用于ARMA模型，因此对原序列采用ARIMA模型分析。3.根据偏相关函数：初步定阶为：非周期性滞后偏相关阶数p=2，周期性滞后偏相关阶数P=0；4.根据相关函数，初步定阶为：非周期性滞后相关阶数q=1，周期性滞后相关阶数Q=1；构建时间序列模型相关性分析 偏相关函数45构建时间序列模型确定模

14、型构建模型：1.选择销售额作为因变量输入。2.在方法中选择使用ARIMA模型，阶数为(2,1,1)(0,1,1),前面的括号表示非周期性滞后阶数变量，其中p=2，d=1，q=1，d表示的是差分的阶数；后面的括号表示的是季节性滞后阶数变量，其中D=1表示进行1次季节性差分。46构建时间序列模型结果分析当模型为RAIMA(2,1,1)(0,1,1)时,Ljung-Box检验的显著性水平为0.264 0.05,接受原假设：即真实值与预测值的残差是白噪声，说明模型可行。预测结果与真实值的差别不大，模型具有较好的预测能力。47构建时间序列模型结果分析预测结果时间序列48总结1.本次试验仅仅对销售额做了简单的时间序列的拟合与预测，但往往数据的影响因素是多样的，如果在建立模型时考虑多种因素，那么模型的准确度更高。2.时间序列在金融、自然灾害等预测方面应用广泛，且在SPSS下操作简单，构造模型具有一定的准确性。3.目前对于预测未来趋势的相关研究，多转入了机器学习的研究。49