平稳时间序列模型
第四章平稳时间序列模型的建立
xt 1xt1 p xtp 0 at 1at1 2at2 qatq
此时，所要估计的未知参数有p+q+1个.
第二节 模型识别与定阶
一、模型识别 二、模型定阶
一、模型识别
• 基本原则
ˆk
拖尾 q阶截尾
拖尾
ˆkk
P阶截尾 拖尾
拖尾
选择模型 AR(P) MA(q)
ARMA(p,q)
• 序列的非平稳包括均值非平稳和方差非 平稳.
• 均值非平稳序列平稳化的方法：差分变 换.
• 方差非平稳序列平稳化的方法：对数变 换、平方根变换等.
• 序列平稳性的检验方法和手段主要有： 序列趋势图、自相关图、单位根检验、 非参数检验方法等等.
一、平稳性检验—图检验方法
（一）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.
–检验1949年——1998年北京市每年最高气温 序列的平稳性
例1 时序图
例1 自相关图
例2 时序图
例2 自相关图
例3 时序图
例3 自相关图
二、纯随机性检验
（一）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
(1)EX t , t T
(2)
(t,
s)
2,t
s
,
例5、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
自相关图
白噪声检验结果
延迟阶数 6 12
LB统计量检验
LB检验统计 量的值
75.46
平稳时间序列模型
（1）一个平稳的时间序列总可以找到生成它
的平稳的随机过程或模型； （2）一个非平稳的随机时间序列通常可以通 过差分的方法将它变换为平稳的，对差分后平稳 的时间序列也可找出对应的平稳随机过程或模型。
（六） 中国GDPP的 ARMA(p,q)模型
ARMA(1,1) ARMA(2,2)
ARIMA(8,2,7)非对称
p阶自回归模型,简记为AR(p)：
xt 0 1 xt 1 2 xt 2 p xt p t 2 E ( ) 0 ， Var ( ) t t , E ( t s ) 0, s t
0 且 1 1 2 p , Var( x ) t
（二）向量自回归模型定义 VAR（Vector AutoRegression，向量自回归）
•1980年Sims提出向量自回归模型（vector autoregressive model）。 •VAR模型是自回归模型的联立形式，所以称向量自回归 模型。
q 阶移动平均模型，
xt t 1 t 1 2 t 2 q t q q 0 2 E ( t ) 0，Var ( t ) , E ( t s ) 0, s t
特别当
0
时，称为中心化
MA(q) 模型
二、自回归模型
（一） AR模型的定义 1阶自回归模型,记为AR(1)： xt=0+1xt-1+t (1) E(t)=0,Var(t)=2, E(ts)=0, st 若序列是弱平稳的,则 E(xt)=, Var(xt)=0, Cov(xt, xt-k)=k 由(1)可得 E(xt)=0+1E(xt-1) 0 因此
第三章线性平稳时间序列模型
可见,AR(1)模型中，xt在t时刻值依赖于两部分，一部分依 模型中， 时刻值依赖于两部分， 可见 模型中 时刻值依赖于两部分 赖于它的前一期的值x 另一部分是依赖于与x 赖于它的前一期的值 t-1；另一部分是依赖于与 t-1不相关 的部分ε 的部分 t 可将AR(1)模型写成另一种形式： 模型写成另一种形式： 可将 模型写成另一种形式
xt = ϕ1xt −1 + ϕ2 xt −2 +L+ ϕ p xt − p + εt
其中： (1) p ≠ 0 (2) εt是白噪声序列 (3) Exsε t = 0, ∀s < t
E (ε t ) = 0，Var (ε t ) = σ ε2 , E (ε t ε s ) = 0, s ≠ t
那么我们就说xt遵循一个p阶自回归或AR(p)随机过程。
例如： ARIMA(2,1,2)表示先对时间序列进行一阶差分，使之 转化为平稳序列，然后对平稳序列建立ARMA(2,2)模型。 ARIMA(p,0,q)就相当于ARMA(p,q)。 ARIMA(p,0,0)就相当于AR(p)。 ARIMA(0,0,q)就相当于MA(q)。 对于一个ARIMA(p,d,q)也可以用推移算子B表示如下 ϕ (B )(1 − B) d xt = θ ( B)ε t 其中： ϕ (B ) = 1 − ϕ 1 B − ϕ 2 B 2 − L − ϕ p B p
(二).二阶自回归模型，AR(2)
1.设{xt}为零均值的随机序列，如果关于xt的合适模型为： 其中：
xt = ϕ1xt −1 + ϕ2 xt −2 + εt
平稳时间序列模型的建立概述
平稳时间序列模型的建立概述平稳时间序列模型是一种常用的时间序列分析方法，用于描述和预测时间序列数据的变化模式。
该模型假设时间序列数据的统计特性在时间上保持不变，即均值和方差不随时间发生明显的变化。
以下是平稳时间序列模型的建立概述。
第一步是数据的预处理。
在建立平稳时间序列模型之前，需要对原始时间序列数据进行一些预处理，包括去除趋势、季节性和周期性等。
去趋势可以采用差分方法，即对时间序列数据进行一阶差分，得到的差分序列不再具有明显的趋势性。
去除季节性和周期性可以使用季节性差分或移动平均方法。
第二步是对预处理后的序列进行统计特性分析。
这包括计算序列的均值、方差、自相关函数和偏自相关函数等统计指标。
通过分析这些指标，可以了解序列的平稳性、周期性和相关性等统计特性。
第三步是根据统计分析结果选择适合的时间序列模型。
常用的平稳时间序列模型包括自回归移动平均模型（ARMA）、自回归模型（AR）、移动平均模型（MA）和季节性自回归移动平均模型（SARIMA）等。
选择模型的原则是使模型具有较好的拟合效果并具有良好的预测性能。
第四步是模型参数的估计与诊断。
对于选定的时间序列模型，需要估计模型的参数。
这可以通过最大似然估计或最小二乘估计等方法进行。
估计得到模型参数之后，需要对模型进行诊断检验，判断模型是否合理。
常用的诊断方法包括残差平稳性检验、残差序列的白噪声检验和残差的自相关函数和偏自相关函数检验等。
第五步是模型预测与评估。
通过已建立的平稳时间序列模型，可以对未来的序列数据进行预测。
预测的准确性可以通过计算预测误差和拟合优度等指标进行评估。
若模型的预测效果较好，则可应用该模型进行实际预测。
总之，平稳时间序列模型的建立过程包括数据的预处理、统计特性分析、模型选择、参数估计与诊断以及模型预测与评估等步骤。
通过这些步骤的实施，可以建立一个合理且具有较好预测效果的平稳时间序列模型。
平稳时间序列模型的建立概述（续）第一步是数据的预处理。
第二章平稳时间序列模型——ACF和PACF和样本ACFPACF
第⼆章平稳时间序列模型——ACF和PACF和样本ACFPACF⾃相关函数/⾃相关曲线ACFAR(1)模型的ACF：模型为：当其满⾜平稳的必要条件|a1|<1时（所以说，⾃相关系数是在平稳条件下求得的）：y(t)和y(t-s)的⽅差是有限常数，y(t)和y(t-s)的协⽅差伽马s除以伽马0，可求得ACF如下：由于{rhoi}其在平稳条件|a1|<1下求得，所以平稳0<a1<1则⾃相关系数是直接收敛到0-1<a1<0则⾃相关系数是震荡收敛到0对于AR(2)模型的ACF：（略去截距项）两边同时乘以y(t)，y(t-1)，y(t-2)......得到yule-Walker⽅程，然后结合平稳序列的⼀些性质（yule-Walker⽅程法确确实实⽤了协⽅差只与时间间隔有关的性质），得到⾃相关系数如下：rho0恒为1（⼆阶差分⽅程）令⼈惊喜的是，这个⼆阶差分⽅程的特征⽅程和AR(2)模型的是⼀致的。
所以，我们的rho本就是在序列平稳的条件下求得，所以{rhoi}序列也平稳。
当然，其收敛形式取决于a1和a2MA(1)模型的ACF:模型为：由于y(t)的表达式是由⽩噪声序列中的项组成，所以不需要什么平稳条件，就可以求得rho的形式如下：对于MA(p)模型，rho(p+1)开始，之后都为0.所以说，到了p阶之后突然阶段，变为0了。
ARMA(1,1)模型的ACF：模型为：还是使⽤yule-Walker⽅程法（⽤到了序列平稳则协⽅差只与时间间隔有关的性质）得到：所以有：ARMA(p,q)模型的ACF：ARMA(p,q)的⾃相关系数满⾜：（式1）前p个rho值（rho1，rho2...rhop）可以看做yule-Walker⽅程的初始条件，其他滞后值取决于特征⽅程。
（其实是这样的，rho1，rho2...rhop实际上能写出⼀个表达式，⽽rho(p+1)开始，就满⾜⼀个差分⽅程，⽽这个⽅程对应的特征根（即式1）⽅程和AR(p)对应的⼀模⼀样），所以，他会从之后q期开始衰减。
时间序列分析模型
时间序列分析模型时间序列分析是一种广泛应用于统计学和经济学领域的建模方法，用于研究随时间变化的数据。
它的目的是揭示和预测数据中隐含的模式和关系，以便更好地理解和解释现象，并做出相应的决策。
时间序列分析模型可以分为统计模型和机器学习模型两类。
一、统计模型1.平稳时间序列模型：平稳时间序列是指在统计学意义上均值和方差都是稳定的序列。
常用的平稳时间序列模型包括：自回归移动平均模型（ARMA）、自回归整合移动平均模型（ARIMA）和季节性自回归整合移动平均模型（SARIMA）等。
-自回归移动平均模型（ARMA）是根据时间序列数据的自相关和移动平均性质建立的模型。
它将序列的当前值作为过去值的线性组合来预测未来值。
ARMA(p,q)模型中，p表示自回归项的阶数，q表示移动平均项的阶数。
-自回归整合移动平均模型（ARIMA）在ARMA模型基础上引入差分操作，用于处理非平稳时间序列。
ARIMA(p,d,q)模型中，d表示差分的次数。
-季节性自回归整合移动平均模型（SARIMA）是ARIMA模型的扩展，在存在季节性变化的时间序列数据中应用。
SARIMA(p,d,q)(P,D,Q)s模型中，s表示季节周期。
2.非平稳时间序列模型：非平稳时间序列是指均值和/或方差随时间变化的序列。
常用的非平稳时间序列模型包括：趋势模型、季节性调整模型、自回归积分滑动平均模型（ARIMA）和季节性自回归积分滑动平均模型（SARIMA）等。
- 趋势模型用于描述数据中的趋势变化，例如线性趋势模型（y = ax + b）和指数趋势模型（y = ab^x）等。
-季节性调整模型用于调整季节性变化对数据的影响，常见的方法有季节指数调整和X-12-ARIMA方法。
-自回归积分滑动平均模型（ARIMA）和季节性自回归积分滑动平均模型（SARIMA）在非平稳时间序列中引入差分操作进行模型建立。
二、机器学习模型机器学习模型在时间序列分析中发挥了重要作用，主要应用于非线性和高维数据的建模和预测。
平稳时间序列模型概述
平稳时间序列模型概述平稳时间序列模型是一种常见的时间序列分析方法，用于对事物在一定时间范围内的变化进行建模和预测。
平稳时间序列模型假设时间序列的均值和方差在任意时刻都保持不变，即不受时间的影响。
平稳时间序列模型有许多不同的形式，其中最常见的是自回归移动平均模型（ARMA）和季节性自回归移动平均模型（SARMA）。
ARMA模型由自回归（AR）部分和移动平均（MA）部分组成，描述了时间序列的自相关和滞后误差，可以用来预测未来的观测值。
SARMA模型在ARMA模型的基础上加入了季节性因素，适用于存在明显季节性变化的时间序列。
ARMA模型的一般形式为：\[ X_t = c + \phi_1X_{t-1} + \dots + \phi_pX_{t-p} + \epsilon_t -\theta_1\epsilon_{t-1} - \dots - \theta_q\epsilon_{t-q} \]其中，\( X_t \)是时间序列在时刻\( t \)的观测值，\( c \)是常数，\( \phi_1, \dots, \phi_p \)是自回归系数，\( X_{t-1}, \dots, X_{t-p} \)是过去的观测值，\( \epsilon_t \)是误差项，\( \theta_1, \dots,\theta_q \)是移动平均系数，\( \epsilon_{t-1}, \dots, \epsilon_{t-q} \)是过去的误差项。
SARMA模型的一般形式为：\[ X_t = c + \phi_1X_{t-1} + \dots + \phi_pX_{t-p} -\theta_1\epsilon_{t-1} - \dots - \theta_q\epsilon_{t-q} + \gammaX_{t-m} + \phi_1\gamma X_{t-m-1} + \dots + \phi_p\gammaX_{t-m-p} + \epsilon_t \]其中，\( X_t \)是时间序列在时刻\( t \)的观测值，\( c \)是常数，\( \phi_1, \dots, \phi_p \)是自回归系数，\( X_{t-1}, \dots, X_{t-p} \)是过去的观测值，\( \epsilon_t \)是误差项，\( \theta_1, \dots,\theta_q \)是移动平均系数，\( \epsilon_{t-1}, \dots, \epsilon_{t-q} \)是过去的误差项，\( \gamma \)是季节性系数，\( X_{t-m},\dots, X_{t-m-p} \)是过去的季节性观测值。
2-平稳时间序列模型
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
4.2 ARMA(n,n-1)模型
X t 1 X t 1 n X t n 1at 1 n1at n1 at X t 1 X t 1 n X t n at 1at 1 n1at n1
X t j ( j 3,4,) 无关。
(2) at 是一个白噪声序列。 结构： AR(2)模型由三部分构成， 依赖于 X t 1的部分， 依赖于 X t 2 的部分，独立于前两部分的白噪声。AR(2) 模型可以等价地写成
at X t 1 X t 1 2 X t 2 。
2无关； , )
(2) at 为白噪声。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
一个关于产科医院的例子 设 at 是第 t 天新住院的病员人数， 假设 at 是白噪声序 列，即某一天住院人数与第二天住院人数无关。再假设 典型的情形是：10％的病人住院 1 天，50％的病人住院 2 天，30％的病人住院 3 天，10％的病人住院 4 天，那 么第四天住院的病人数 X t 将由下式给出
即通过把 X t 中依赖于 X t 1和 X t 2 的部分消除之后，使得 具有二阶动态性的序列转化为独立的序列。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
2.2 AR(n)模型
X t 1 X t 1 2 X t 2 n X t n at X t 1 X t 1 2 X t 2 n X t n at at X t 1 X t 1 2 X t 2 n X t n
X t at 0.9at 1 0.4at 2 0.1at 3 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(1) 系统具有极强的一期记忆性，即惯性。也
就是说系统在相邻时刻的响应，除随机扰动外完全
一致；
(2)
t
1时刻系统的一步预测为
Xˆ
(1) t 1
X
；
t 1
(3) 系统的行为是一系列独立随机变量的和，
即 Xt at j 。 j0
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
2. 一般自回归模型
at
~
NID(0,
2 a
)；
(3) at与 Xt j ( j 2,3,L )独立。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
1.1.3 相关序列的独立化过程
由于许多经典的统计方法是以资料独立为基础
的，所以需要对相关序列 X t 进行独立化。将(2.1.1) 改写成
at
Xt
1
X
t
。
1
上式说明：AR(1)模型是一个使相关数据转化为独立
数据的变换器。事实上，由于 AR(1)模型仅有一阶
动态性，所以只要把
X
t
中依赖于
X
t
的部分消除以
1
后，剩下的部分at
Xt
1
X
t
自然就是独立的了。
1
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
1.2 AR(1)模型的特例——随机游动 X t X t1 at ，或 X t : X t X t1 at 。 随机游动的特性：
AR(n)模型通过把 X t 中依赖于 X t1, X t2,L , X tn 的部 分消除之后，使得具有 n 阶动态性的序列 X t 转化为独立 的白噪声序列at 。因此拟合 AR(n)模型的过程也就是使 相关序列独立化的过程。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
3. 移动平均模型(Moving Average Model)
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
4.1 ARMA(2,1)模型
X t 1X t1 2 X t2 1at1 at
X t 1X t1 2 X t2 at 1at1
基本假设： X t 除了对 X t1,
X
t
2
和
at
存在依存关系之外，
1
在 X t1和 X t2 已知的条件下对其他的 Xt j ( j 3,4,L ) 和
模型可以等价地写成
at X t 1X t1 2 X t2。
即通过把
X
t
中依赖于
X
t
和
1
X
t
2
的部分消除之后，使得
具有二阶动态性的序列转化为独立的序列。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
2.2 AR(n)模型
X t 1X t1 2 X t2 L n X tn at X t 1X t1 2 X t2 L n X tn at at X t 1X t1 2 X t2 L n X tn
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
3.1 一阶移动平均模型 MA(1)
基本假设：
X t at 1at1
(2.3.1)
(1) 系统在t 时刻的响应 X t 仅与其前一时刻进入系
统的扰动
at
存在着一定的依存关系；
1
(2) at为白噪声。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
AR 系统的特征：系统在t时刻的响应 X t 仅与其以前 时刻的响应 X t1, X t2, L , X tn有关，而与其以前时刻进入 系统的扰动无关。
MA 系统的特征：X t 与其以前时刻的响应 X t1, X t2, L 无关，而与其以前时刻进入系统的扰动at1, at2, L 存在着 一定的相关关系。
第二章 平稳时间序列模型
一个关于产科医院的例子 设at是第 t 天新住院的病员人数，假设at是白噪声序
列，即某一天住院人数与第二天住院人数无关。再假设
典型的情形是：10％的病人住院 1 天，50％的病人住院
2 天，30％的病人住院 3 天，10％的病人住院 4 天，那
么第四天住院的病人数 X t 将由下式给出
ARMA 系统的特征：系统在t时刻的响应 X t 不仅与其 以前时刻的响应有关，而且与其以前时刻进入系统的扰 动存在着一定的依存关系。
对于 ARMA 系统来说，要使响应 X t 转化为独立序列 at，不仅要消除 X t 依赖于t时刻以前的自身部分，还必须 消除 X t 依赖于t时刻以前进入系统的扰动部分。
第二章 平稳时间序列模型
一阶自回归模型(Auto Regressive model) (2.1.1)
记作 AR(1)，其中 X t 为零均值平稳序列，1为 X t 对
X
t
的依赖程度，
1
at
为随机扰动。
1.1.2 一阶自回归模型的基本假设
(1)
X
t
对
X
t
有直线相关关系；
1
(2) at为正态独立同分布序列，记作
at j ( j 2,3,L ) 不存在相关关系。此时， at 一定独立于
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
AR(2)模型的假设与结构
基本假设：(1)
X
t
仅与
X
t
和
1
X
t
2
有关，与
Xt j ( j 3,4,L )无关。
(2) at是一个白噪声序列。
结构：AR(2)模型由三部分构成，依赖于
X
t
的部分，
1
依赖于 Xt2的部分，独立于前两部分的白噪声。AR(2)
2.1 AR(2)模型
对于自回归系统来说，当
X
t
不仅与
X
t
有关，
1
而且与 Xt2有关时，就不符合 AR(1)模型的基本假
设。若 X t 与 Xt j ( j 3,4,L )无关，则系统模型是
AR(2)：
X t 1X t1 2 X t2 at X t 1X t1 2 X t2 at
(2.2.3a) (2.2.3)
Xt
at
0.9at1
0.4at2
0.1at
。
3
由于上式的各项是随机变化的，故 Xt ~ MA(3)。因此，
我们可以预测一天、两天、三天后的住院人数。四天以
后，各天住院人数的预测值均为序列的均值。
海军航空工程学院基础部数学教研室
第二章 平稳时间序列模型
4. 自回归移动平均模型(Auto Regressive Moving Average Model)
3.2 一般移动平均模型 MA(m)
X t at 1at1 2at2 L matm
基本假设：
(2.3.3)
(1) X t 仅 与 at1, at2, L , atm 有 关 ， 而 与 at j ( j m 1m, L 2无, 关；)
(2研室