第八章 非平稳和季节时间序列模型分析方法讲解
非平稳时间序列建模步骤
非平稳时间序列建模步骤介绍非平稳时间序列是指其统计特性在时间上发生变化的序列。
在实际应用中，我们经常面临非平稳时间序列的建模问题，如股票价格、气温变化等。
本文将探讨非平稳时间序列建模的步骤和方法。
为什么要建立模型非平稳时间序列在其统计特性的变化中存在一定的规律性，因此建立模型可以帮助我们理解和预测序列的行为。
模型可以从数据中提取有用的信息，揭示序列的规律和动态特征。
步骤一：观察时间序列的特性在建立模型之前，我们首先需要观察时间序列的特性，包括趋势、周期性、季节性和随机性等。
这些特性是决定时间序列模型选择的重要因素。
步骤二：平稳化处理由于非平稳时间序列的统计特性随时间变化，不利于建模和分析。
因此，我们需要对时间序列进行平稳化处理。
常用的平稳化方法包括差分法和变换法。
2.1 差分法差分法是通过计算相邻两个观测值的差异来实现序列的平稳化。
一阶差分是指相邻观测值之间的差异，二阶差分是指一阶差分的差异，以此类推。
差分法可以有效地去除序列的趋势和季节性，使序列平稳。
2.2 变换法变换法是通过对时间序列进行数学变换，将非平稳序列转化为平稳序列。
常用的变换方法包括对数变换、平方根变换和 Box-Cox 变换等。
变换法可以改变序列的分布特性，使序列满足平稳性的要求。
步骤三：选择模型平稳化处理后，我们需要选择合适的模型进行建模。
常用的时间序列模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）、季节性自回归移动平均模型（SARIMA）和指数平滑模型等。
3.1 自回归移动平均模型（ARMA）ARMA 模型是描述时间序列随机变动的经典模型，其包括自回归和移动平均两个部分。
自回归部分考虑了序列的历史值对当前值的影响，移动平均部分考虑了序列的误差对当前值的影响。
ARMA 模型适用于没有趋势和季节性的平稳序列。
3.2 自回归积分移动平均模型（ARIMA）ARIMA 模型是在 ARMA 模型基础上引入了积分项，用于处理非平稳序列。
时间序列、动态计量与非平稳性
时间序列、动态计量与非平稳性时间序列分析是一种研究时间上观测到的数据的方法，它通常用来预测未来的数据走势，或者揭示数据背后的规律和模式。
时间序列分析的基本假设是数据是按照时间顺序收集和记录的，因此数据中的观测值之间存在一定的内在关联。
动态计量是时间序列分析的一种方法，它关注变量之间的相互影响和动态调整过程。
动态计量的核心思想是当前时刻的变量取值受到过去时刻的变量取值的影响，而且这种影响是不断调整和改变的。
动态计量模型通常使用回归分析、向量自回归(VAR)模型、脉冲响应分析等方法，来研究变量之间的时序关系和相互作用。
然而，时间序列和动态计量在实际应用中都面临一个重要的问题，那就是非平稳性。
非平稳性是指时间序列数据在整个时间范围内存在明显的长期趋势、季节性变化、周期性波动等，这会导致时间序列的统计性质发生变化，使得传统的时间序列模型无法有效地拟合和预测数据。
非平稳性在金融、经济学、气象学等领域中普遍存在，因此如何处理非平稳性是时间序列分析的重要课题。
为了处理非平稳性，可以使用一系列的技术，如差分、变换、季节调整和模型拟合等。
其中，差分是最常见的一种方法，它通过计算相邻时刻的观测值之间的差异，来消除数据中的趋势和季节性变化。
变换则是将原始数据进行数学变换，如对数变换、平方根变换等，以改变数据的统计性质。
季节调整是将季节性因素从数据中剔除，以便更好地研究数据的长期趋势。
而模型拟合则是利用时间序列模型来拟合和预测非平稳数据，如自回归移动平均模型(ARMA)、自回归积分移动平均模型(ARIMA)等。
非平稳性的处理不仅能够改善模型的拟合效果，还能够提高模型的预测准确性和可解释性。
通过去除非平稳性的影响，我们可以更好地理解数据的本质和规律，更准确地进行预测和决策。
对于金融市场而言，处理非平稳性可以帮助投资者更好地判断市场趋势和价值，从而制定更科学和有效的投资策略。
总之，时间序列、动态计量和非平稳性是现代统计学中重要的研究领域。
第八章季节性时间序列分析方法
81❝§8.1 季节性时间序列的重要特征82❝§8.2 季节性时间序列模型❝§8.3 季节性检验❝§8.4 季节性时间序列模型的建立所谓是指具有某种周期性变化季节性时间序列，是指具有某种周期性变化规律的随机序列，并且这种周期性的变化规律往往是由于季节变化引起由于季节变化引起。
如果一个随机序列经过个时间间隔后观测数据呈现相似性比如同处于波峰或波谷则我们称该序S 呈现相似性，比如同处于波峰或波谷，则我们称该序列具有以为周期的周期特征，并称其为季节性时S 间序列，为季节长度。
S季节性时间序列存在着规则的周期如果我们把季节性时间序列存在着规则的周期，如果我们把原序列按周期重新排列，即可得到一个所谓的二维表。
对于季节性时间序列按周期进行重新排列是极其有益的不仅有助于考察同周期点的变化情况加有益的，不仅有助于考察同一周期点的变化情况、加深对序列周期性的理解，而且对于形成建模思想和理解季节模型的结构也都是很有帮助的。
影响一个季节性时间序列的因素除了季节因素外❝影响一个季节性时间序列的因素除了季节因素外，往往还存在趋势变动和随机变动等。
t t t tX S T I =++❝研究季节性时间序列的目的，就是分解影响经济指标变动的季节因素、趋势因素和随机因素，从而了解它们对经济的影响。
❝1. 简单季节模型❝2. 乘积季节模型季节性时间序列表现出也就是说时间 同期相关性，也就是说时间相隔为的两个时间点上的随机变量有较强的相关性。
比如对于月度数据S 12比如，对于月度数据则与相关性较强。
我们可以利用这种同期相关性在与之12,S =t X 12t X -t X 12t X -间进行拟合。
简单季节模型通过简单的趋势差分季节差分之通过简单的趋势差分、季节差分之后序列即可转化为平稳，它的模型结构通常表示如下：()(1)(),(*)S S D St tB B X B aΦ-=ΘSAR算子其中为白噪声序列,{}ta2()1,S S S pSB B B BΦ=-Φ-Φ--Φ12212()1.pS S S qSqB B B BΘ=-Θ-Θ--ΘSMA算子称（*）为简单季节模型，或季节性自回归求和移动SARIMA p D q平均模型，简记为模型。
平稳性和非平稳时间序列分析93页PPT
51、没有哪个社会可以制订一部永远 适用的 宪法， 甚至一 条永远 适用的 法律。 ——杰 斐逊 52、法律源于人的自卫本能。——英 格索尔
53、人们通常会发现，法律就是这样 一种的 网，触 犯法律 的人， 小的可 以穿网 而过， 大的可 以破网 而出， 只有中 等的才 会坠入 网中。 ——申 斯通 54、法律就是法律它是一座雄伟的大 夏，庇 护着我 们大家 ；它的 每一块 砖石都 垒在另 一块砖 石上。 ——高 尔斯华 绥 55、今天的法律未必明天仍是法律。 ——罗·伯顿
66、节制使快乐增加并使享受加强。 ——德 谟克利 特 67、今天应做的事没有做，明天再早也 是耽误 了。——裴斯 泰洛齐 68、决定一个人的一生，以及整个命运 的，只 是一瞬 之间。 ——歌 德 69、懒人无法享受休息之乐。——拉布 克 70、浪费时间是一桩大罪过
第八章非平稳和季节时间序列模型分析方法
第八章非平稳和季节时间序列模型分析方法时间序列是指观测值按照时间顺序排列的一组数据，其中具有季节性和非平稳性的时间序列数据具有特殊的分析需求。
本文将介绍非平稳和季节时间序列的分析方法。
一、非平稳时间序列分析方法非平稳时间序列是指其统计特征在时间上发生了变化，无法满足平稳性的要求。
非平稳时间序列具有趋势性、周期性、季节性和不规则性等特征。
对于非平稳时间序列的分析，我们可以采用以下方法：1.差分法：差分法是通过对时间序列取一阶或多阶差分来消除趋势性的影响。
通过差分后的时间序列进行分析，我们可以得到一个稳定的时间序列，并进行后续的建模和预测。
2.移动平均法：移动平均法是通过计算一定窗口范围内的观测值的平均值来消除短期波动的影响，从而得到一个平滑的时间序列。
通过移动平均后的时间序列进行分析，我们可以在一定程度上消除非平稳性的影响。
3.分解法：分解法是将非平稳时间序列分解为趋势项、季节项和随机项三个部分。
通过分解后的各个部分进行分析，我们可以了解趋势、季节和随机成分在时间序列中的作用，从而更好地进行建模和预测。
二、季节时间序列分析方法季节时间序列是指具有明显季节性的时间序列数据。
对于季节时间序列的分析，我们可以采用以下方法：1.季节性指数：季节性指数是用来描述季节性的强度和方向的指标。
通过计算每个季节的平均值与总平均值之比，可以得到季节性指数。
根据季节性指数的变化趋势，我们可以判断时间序列的季节性变化情况，并进行后续的建模和预测。
2.季节性趋势模型：季节性趋势模型是一种常用的季节时间序列建模方法。
该模型将时间序列分解为趋势项、季节项和随机项三个部分，并通过对这三个部分进行建模来分析季节性时间序列。
常用的季节性趋势模型包括季节性自回归移动平均模型（SARIMA）、季节性指数平滑模型等。
总结起来，非平稳和季节时间序列模型的分析方法主要包括差分法、移动平均法和分解法等对非平稳时间序列进行分析，以及季节性指数和季节性趋势模型等对季节性时间序列进行分析。
季节性时间序列分析方法(PPT37张)
(1 1B n B n )(1 S B S ) X t at
(7.3.8)
由此可求得偏自相关函数。这种方法可以推广到 AR(n)模型
( B)U ( B S ) X t at ，
或更一般的情形 即
(7.2.6a)
只考虑不同年份同月的资料之间的相关关系。 (7.2.6b)
表示同年不同月之间几乎不存在依赖关系，但受前一期 扰动的影响。即时间序列资料消除了季节因素之后适合于一 个 MA(1)模型。 更一般的是模型（7.2.5）和（7.2.6）中的周期长度 12 可以用 S 替代。
3. (1 B S ) X t C (1 1B)(1 S B S )at 4. (1 B) X t (1 S B S )at 5. (1 B S ) X t (1 S B S )at 6. (1 1B)(1 B S ) X t (1 S B S )at 7. (1 1B S ) X t C (1 1B)at 8. (1 B S )2 X t C 2 S ( B)at
D (1 1 B S ) S X t et
一阶移动平均季节模型 Wt et 1et S ，或Wt (1 1B S )et
D S X t (1 1B S )et
一般的季节性 ARMA 模型 U ( B S )Wt V ( B S )et
D U ( B S ) S X t V ( B S )et
D X t V ( B S )et 在随机季节模型 U ( B S ) S
(7.1.6)
中，由于 et 不是独立的，因此不妨假设 et 适合一个 ARIMA(n,d,m)： ( B) d et ( B)at ，
季节性时间序列分析方法
季节性时间序列分析方法在经济领域中得到的观测数据一般都具有较强的随时间变化的趋势，如果是季度或月度数据又有明显的季节变化规律。
因此研究经济时间序列必须考虑其趋势性和季节性的特点，既要考虑趋势变动，又要考虑季节变动，建立季节模型。
第一节 简单的时间序列模型一、 季节时间序列序列是季度数据或月度数据（周，日）表现为周期的波动。
二、随机季节模型例1 假定t x 是一个时间序列，通过一次季节差分后得到的平稳序列，且遵从一阶自回归季节模型,即有 t s s t t t x B x x w )1(-=-=-1tt s t w w 或 1(1)s t t B w 将t w =t s x )B (-1代入则有1(1)(1)s s t t B B x SARIMA(1,1,0)更一般的情况，随机序列模型的表达式为11(1)(1)(1)s s S t t B B x B SARIMA(1,1,1)第二节 乘积模型值得注意的是t a 不一定是白噪声序列。
因为我们仅仅消除了不同周期相同周期点之间具有的相关部分，相同周期而不同周期点之间的也有一定的相关性。
所以，在此情况下，模型有一定的拟合不足，如果假设t 是),(q p ARMA 模型，则1(1)(1)s s t t B B x 式可以改为1()(1)(1)()s s t t B B B x B如果序列}{t x 遵从的模型为()()()()s d D s s t t B U B x B V B （3.26） 其中ks k s s s B BB B U ΓΓΓ----= 2211)(ms m s s s B B B B V H H H ----= 2211)(p p B B B φφΦ---= 11)(q q B B B θθΘ---= 11)(d d B )1(-=∇D s D s B )1(-=∇则称（3.26）为乘积季节模型，记为),,(),,(q d p m D k ARIMA ⨯。
第八章季节性时间序列模型
n
表4.1 单变量时间序列观测数据表
n 例如，1993~2000年各月中国社会消费品零售总额序列， 是一个月度资料，其周期S=12，起点为1993年1月，具 体数据见附录。
第八章季节性时间序列模型
n 二、季节时间序列的重要特征 n 季节性时间序列的重要特征表现为周期性。在一个序列
第八章季节性时间序列模型
第八章季节性时间序列模型
第八章季节性时间序列模型
n 可见当得到样本的自相关函数后，各滑动平均参数的矩 法估计式也就不难得到了。
n 更一般的情形，如果一个时间序列服从模型
n
n
(8.18)
n 其中，
。整理后可以看出该时间
序列模型是疏系数MA(ms+q)，可以求出其自相关函数，
2348 2454.9 2881.7
1998 2549.5 2306.4 2279.7 2252.7 2265.2
2326 2286.1 2314.6 2443.1
2536 2652.2 3131.4
1999 2662.1 2538.4 2403.1 2356.8
2364 2428.8 2380.3 2410.9 2604.3 2743.9 2781.5 3405.7
n 如果这个比值小于1，就说明该季度的值 常常低于总平均值
n 如果序列的季节指数都近似等于1，那就 说明该序列没有明显的季节效应
第八章季节性时间序列模型源自例1 季节指数的计算第八章季节性时间序列模型
季节指数图
第八章季节性时间序列模型
二、综合分析
n 常用综合分析模型
n 加法模型
n 乘法模型
n 混合模型
个模型组合而成。由于序列存在季节趋势，故先
- 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)。
因为阶差分后平稳，服从ARMA(p,q)模型，所以不妨设 则
( B) (1 i B), i 1; i 1, 2,
i 1 p
,p
d d ( B ) ( B ) [ (1 B )](1 B ) i (8.4) i 1
d
(8.2)
{ t }为零均值白噪声序列。 式中， 由式(8.2)显而易见，ARIMA模型的实质就是差分运算 与ARMA模型的组合。这一关系意义重大，这说明任何 非平稳序列只要通过适当阶数的差分运算实现差分后平 稳，就可以对差分后序列进行ARMA模型拟合了。而 ARMA模型的分析方法非常成熟，这意味着对差分平稳 序列的分析也将是非常简单、非常可靠的了。
非平稳和季节时间序列模型分析方法
在第四章中，我们介绍了非平稳时间序 列模型，但是在前面的讨论中，对于时 间序列的特性分析，以及模型的统计分 析都集中于平稳时间序列问题上。本章 将介绍几个非平稳时间序列的建模方法， 并且分析不同的非平稳时间序列模型的 动态性质。
上海财经大学 统计与管理学院
1
§8.1 ARIMA模型的分析方法
上海财经大学 统计与管理学院
19
图8.4
图8.5
上海财经大学 统计与管理学院
20
(2) 对该序列做单位根检验，原假设：；备择假设：，
检验结果如图8.4。
图8.6
根据图8.6的检验结果，我们可以认为这一序列非平稳。
上海财经大学 统计与管理学院 21
2. 对原序列取对数并分析 由于这一序列有着非常明显的指数趋势，因此我们对 它进行取对数的运算，以消除指数趋势的影响，将取对 数后的序列命名为 yt ，即 yt ln( NX ) 。 作出序列 {yt } 的时序图与自相关图分别如图8.7，8.8。
上海财经大学 统计与管理学院 3
例如，设ARIMA(1,1,1)模型
1 0.5B1 B Xt 1 0.3B t ,
t ~ i.i.d.N 0,1
图8.1是给出的ARIMA(1,1,1)模型一个模 拟数据，样本容量为200，可以看出时间 趋势是非常明显的。图8.2是经过一阶差分 得到的数据。经过一阶差分我们看到下降 的时间趋势被去掉，新的序列看起来是平 稳的。
图8.7
上海财经大学 统计与管理学院
图8.8
22
依然对序列{yt } 做单位根检验，检验结果如图8.9。
图8.9
根据这一检验结果，我们看到这一序列依然没有平稳， 结合图8.7和图8.8，我们看到在序列 { yt } 中有着明显的增 长趋势，因此我们还需要对其进行差分处理。
上海财经大学 统计与管理学院 23
随机游走模型的产生有一个有趣的典故。它最早 于1905年7月由卡尔· 皮尔逊(Karl Pearson)在 《自然》杂志上作为一个问题提出：假如有一个 醉汉醉得非常严重，完全丧失方向感，把他放在 荒郊野外，一段时间之后再去找他，在什么地方 找到他的概率最大呢？ 考虑到他完全丧失方向感，那么他第步的位置将 是他第步的位置再加一个完全随机的位移。用数 学模型来描述任意时刻这个醉汉可能的位置，即 为一个随即游走模型(8.3)。
X t t 1 t 1 2 t 2 ( B) t
式中
1 , 2 ,
的值由如下等式确定：
( B)(1 B)d ( B) ( B)
上海财经大学 统计与管理学院 15
如果把 * ( B) 记为广义自相关函数，有
* ( B) ( B)(1 B)d 1 1B 2 B2
X t X t 1 t X t 2 t t 1 X 0 t t 1
1
则 Var( X t ) Var( X 0 t t 1
1 ) t 2
这是一个时间的递增函数，随着时间趋向无穷，序列 { X t } 的方差也 趋向无穷。 但1阶差分之后，X
t21 ) 2
上海财经大学 统计与管理学院 18
例8.1 对1950年—2005年我国进出口贸易总额数据 （单位：亿元人民币）序列建立ARIMA模型（数据见附 录1.15） 1. 对原序列（NX）的分析 (1) 做出1950年—2005年我国进出口贸易总额数据 （NX）的时序图及自相关图，如图8.4，图8.5。
容易验证 , ,
1 2
的值满足如下递推公式：
1 1 1 2 1 1 2 2 j 1 j 1 p d j p d j
； j 0, j q 式中 j 1, j 0 X t l 的真实值为： 那么，
要使均方误差最小，当且仅当：
*j l j
上海财经大学 统计与管理学院 17
所以，在均方误差最小的原则下，期预报值为： l
ˆt (l ) l t l 1 t 1 l 2 t 2 x
l期预报误差为：
et (l ) t 1 1t l 1 l 1t 1
( B) X t ( B) t
d
式中：
d (1 B) d ( B) 1 1 B ( B) 1 1 B p B p q Bq
记 ( B) ( B)d， ( B ) 被称为广义自回归系数多项式。显 然ARIMA模型的平稳性完全由 ( B) 0 的根的性质决 定。
上海财经大学 统计与管理学院
24
4. 针对平稳序列{X t } 的建立ARMA模型 { X t } 的自相关图，如图。根据该图，我们可 (1) 画出序列 以初步判断该序列的偏自相关图一阶截尾，而针对自相 关图并不能马上做出判断。
(8.1)
( B) 1 1B ( B) 1 1B
p B p，为平稳可逆ARMA(p,q)模型的自回归系数多项式 q B q，为平稳可逆ARMA(p,q)模型的移动平滑系数多项式
上海财经大学 统计与管理学院
2
式(8.1)可以简记为：
( B ) Xt t ( B)
* * ˆt (l ) * x 0 t 1 t 1 2 t 2
的估计值
真实值与预报值之间的均方误差为：
ˆt (l )] (1 ) (l j *j )2 2 E[ X t l x
2 2 1 2 t 1 2 j 0
8.1.1 ARIMA模型的结构 具有如下结构的模型称为求和自回归移动平均(Autoregressive Integrated Moving Average)，简记为ARIMA(p,d,q)模型：
式中：
d (1 B)d
( B)d X t ( B) t 2 E ( t ) 0,Var ( t ) , E ( t s ) 0, s t E ( X ) 0, s t s t
p
由式(8.4)容易判断，ARIMA(p,d,q)模型的广义自回归系 数多项式共有p+d个特征根，其中p个在单位圆内，d个 d 0 在单位圆上。因为有 d个特征根在单位圆上而非单位圆内， 所以当 时，ARIMA(p,d,q)模型不平稳。
上海财经大学 统计与管理学院
11
二、方差齐性 d 0 时，不仅均值非平稳，序列方差 对于ARIMA(p,d,q)模型，当 也非平稳。以最简单的随机游走模型ARIMA(0,1,0)为例：
上海财经大学 统计与管理学院 14
8.1.4 ARIMA模型预测
在最小均方误差预测原理下，ARIMA模型的预测和 ARMA模型的预测方法非常类似。 ARIMA(p,d,q)模型 的一般表示方法为： (B)(1 B)d X t ( B)t 和ARMA模型一样，也可以用历史观测值的线性函数表 示它：
真实值等于预报值加上预报误差：
X t l (l t l 1 t 1 l 2 t 2 ) ( t 1 1 t l 1 l 1 t 1 ) ˆt (l ) et (l ) =x
2 期预报的方差为： Var[et (l )] (1 1
i d
拟合自回归移动平均(ARMA)模型，所以 称它为求和自回归移动平均模型。
上海财经大学 统计与管理学院
6
特别地， 当d=0时，ARIMA(p,d,q)模型实际上就是ARMA(p,q)模 型； 当p=0时，ARIMA(o,d,q)模型可以简记为IAM(d,q)模型； 当q=0时，ARIMA(p,d,0)模型可以简记为ARI(p,d)模型. 当d=1,p=q=0时，ARIMA(0,1,0)模型为：
0, j 1
X t l ( t l 1 t l 1
l 1 t 1 ) (l t l 1t 1 )
16
上海财经大学 统计与管理学院
X t l 由于 t l , t l 1, , t 1 的不可获得性，所以 只能为：
X t X t 1 t 2 E ( ) 0, Var ( ) , E ( t s ) 0, s t t t (8.3) E ( X ) 0, s t s t
该模型被称为随机游走(Random Walk)模型。
上海财经大学 统计与管理学院 7
上海财经大学 统计与管理学院
8
1905年8月，雷利爵士(Lord Rayleigh)对卡尔· 皮尔逊的这个问题作 出了解答。他算出这个醉汉离初始点的距离为至的概率为：