1、時(shí)間序列 取自某一個(gè)隨機過(guò)程,如果此隨機過(guò)程的隨機特征不隨時(shí)間變化,則我們稱(chēng)過(guò)程是平穩的;假如該隨機過(guò)程的隨機特征隨時(shí)間變化,則稱(chēng)過(guò)程是非平穩的。
2、寬平穩時(shí)間序列的定義:設時(shí)間序列 ,對于任意的 , 和 ,滿(mǎn)足: 則稱(chēng) 寬平穩。 3、Box-Jenkins方法是一種理論較為完善的統計預測方法。
他們的工作為實(shí)際工作者提供了對時(shí)間序列進(jìn)行分析、預測,以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法,并且具有統計上的完善性和牢固的理論基礎。
4、ARMA模型三種基本形式:自回歸模型(AR:Auto-regressive),移動(dòng)平均模型(MA:Moving-Average)和混合模型(ARMA:Auto-regressive Moving-Average)。 (1) 自回歸模型AR(p):如果時(shí)間序列 滿(mǎn)足 其中 是獨立同分布的隨機變量序列,且滿(mǎn)足: , 則稱(chēng)時(shí)間序列 服從p階自回歸模型。
或者記為 。 平穩條件:滯后算子多項式 的根均在單位圓外,即 的根大于1。
(2) 移動(dòng)平均模型MA(q):如果時(shí)間序列 滿(mǎn)足 則稱(chēng)時(shí)間序列 服從q階移動(dòng)平均模型。或者記為 。
平穩條件:任何條件下都平穩。 (3) ARMA(p,q)模型:如果時(shí)間序列 滿(mǎn)足 則稱(chēng)時(shí)間序列 服從(p,q)階自回歸移動(dòng)平均模型。
或者記為 。 特殊情況:q=0,模型即為AR(p),p=0, 模型即為MA(q)。
二、時(shí)間序列的自相關(guān)分析 1、自相關(guān)分析法是進(jìn)行時(shí)間序列分析的有效方法,它簡(jiǎn)單易行、較為直觀(guān),根據繪制的自相關(guān)分析圖和偏自相關(guān)分析圖,我們可以初步地識別平穩序列的模型類(lèi)型和模型階數。利用自相關(guān)分析法可以測定時(shí)間序列的隨機性和平穩性,以及時(shí)間序列的季節性。
2、自相關(guān)函數的定義:滯后期為k的自協(xié)方差函數為: ,則 的自相關(guān)函數為: ,其中 。當序列平穩時(shí),自相關(guān)函數可寫(xiě)為: 。
3、樣本自相關(guān)函數為: ,其中 ,它可以說(shuō)明不同時(shí)期的數據之間的相關(guān)程度,其取值范圍在-1到1之間,值越接近于1,說(shuō)明時(shí)間序列的自相關(guān)程度越高。 4、樣本的偏自相關(guān)函數: 其中, 。
5、時(shí)間序列的隨機性,是指時(shí)間序列各項之間沒(méi)有相關(guān)關(guān)系的特征。使用自相關(guān)分析圖判斷時(shí)間序列的隨機性,一般給出如下準則: ①若時(shí)間序列的自相關(guān)函數基本上都落入置信區間,則該時(shí)間序列具有隨機性; ②若較多自相關(guān)函數落在置信區間之外,則認為該時(shí)間序列不具有隨機性。
6、判斷時(shí)間序列是否平穩,是一項很重要的工作。運用自相關(guān)分析圖判定時(shí)間序列平穩性的準則是:①若時(shí)間序列的自相關(guān)函數 在k>3時(shí)都落入置信區間,且逐漸趨于零,則該時(shí)間序列具有平穩性;②若時(shí)間序列的自相關(guān)函數更多地落在置信區間外面,則該時(shí)間序列就不具有平穩性。
7、ARMA模型的自相關(guān)分析 AR(p)模型的偏自相關(guān)函數 是以p步截尾的,自相關(guān)函數拖尾。MA(q)模型的自相關(guān)函數具有q步截尾性,偏自相關(guān)函數拖尾。
這兩個(gè)性質(zhì)可以分別用來(lái)識別自回歸模型和移動(dòng)平均模型的階數。ARMA(p,q)模型的自相關(guān)函數和偏相關(guān)函數都是拖尾的。
三、單位根檢驗和協(xié)整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗( Dickey-Fuller Test)和菲利普斯—佩榮檢驗(Philips-Perron Test),我們也可以測定時(shí)間序列的隨機性,這是在計量經(jīng)濟學(xué)中非常重要的兩種單位根檢驗方法,與前者不同的事,后一個(gè)檢驗方法主要應用于一階自回歸模型的殘差不是白噪聲,而且存在自相關(guān)的情況。 ②隨機游動(dòng) 如果在一個(gè)隨機過(guò)程中, 的每一次變化均來(lái)自于一個(gè)均值為零的獨立同分布,即隨機過(guò)程 滿(mǎn)足: , ,其中 獨立同分布,并且: , 稱(chēng)這個(gè)隨機過(guò)程是隨機游動(dòng)。
它是一個(gè)非平穩過(guò)程。 ③單位根過(guò)程 設隨機過(guò)程 滿(mǎn)足: , ,其中 , 為一個(gè)平穩過(guò)程并且 ,,。
2、協(xié)整關(guān)系 如果兩個(gè)或多個(gè)非平穩的時(shí)間序列,其某個(gè)現性組合后的序列呈平穩性,這樣的時(shí)間序列間就被稱(chēng)為有協(xié)整關(guān)系存在。這是一個(gè)很重要的概念,我們利用Engle-Granger兩步協(xié)整檢驗法和J 很高興回答樓主的問(wèn)題 如有錯誤請見(jiàn)諒。
1、時(shí)間序列 取自某一個(gè)隨機過(guò)程,如果此隨機過(guò)程的隨機特征不隨時(shí)間變化,則我們稱(chēng)過(guò)程是平穩的;假如該隨機過(guò)程的隨機特征隨時(shí)間變化,則稱(chēng)過(guò)程是非平穩的。
2、寬平穩時(shí)間序列的定義:設時(shí)間序列 ,對于任意的 , 和 ,滿(mǎn)足: 則稱(chēng) 寬平穩。 3、Box-Jenkins方法是一種理論較為完善的統計預測方法。
他們的工作為實(shí)際工作者提供了對時(shí)間序列進(jìn)行分析、預測,以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法,并且具有統計上的完善性和牢固的理論基礎。
4、ARMA模型三種基本形式:自回歸模型(AR:Auto-regressive),移動(dòng)平均模型(MA:Moving-Average)和混合模型(ARMA:Auto-regressive Moving-Average)。 (1) 自回歸模型AR(p):如果時(shí)間序列 滿(mǎn)足 其中 是獨立同分布的隨機變量序列,且滿(mǎn)足: , 則稱(chēng)時(shí)間序列 服從p階自回歸模型。
或者記為 。 平穩條件:滯后算子多項式 的根均在單位圓外,即 的根大于1。
(2) 移動(dòng)平均模型MA(q):如果時(shí)間序列 滿(mǎn)足 則稱(chēng)時(shí)間序列 服從q階移動(dòng)平均模型。或者記為 。
平穩條件:任何條件下都平穩。 (3) ARMA(p,q)模型:如果時(shí)間序列 滿(mǎn)足 則稱(chēng)時(shí)間序列 服從(p,q)階自回歸移動(dòng)平均模型。
或者記為 。 特殊情況:q=0,模型即為AR(p),p=0, 模型即為MA(q)。
二、時(shí)間序列的自相關(guān)分析 1、自相關(guān)分析法是進(jìn)行時(shí)間序列分析的有效方法,它簡(jiǎn)單易行、較為直觀(guān),根據繪制的自相關(guān)分析圖和偏自相關(guān)分析圖,我們可以初步地識別平穩序列的模型類(lèi)型和模型階數。利用自相關(guān)分析法可以測定時(shí)間序列的隨機性和平穩性,以及時(shí)間序列的季節性。
2、自相關(guān)函數的定義:滯后期為k的自協(xié)方差函數為: ,則 的自相關(guān)函數為: ,其中 。當序列平穩時(shí),自相關(guān)函數可寫(xiě)為: 。
3、樣本自相關(guān)函數為: ,其中 ,它可以說(shuō)明不同時(shí)期的數據之間的相關(guān)程度,其取值范圍在-1到1之間,值越接近于1,說(shuō)明時(shí)間序列的自相關(guān)程度越高。 4、樣本的偏自相關(guān)函數: 其中, 。
5、時(shí)間序列的隨機性,是指時(shí)間序列各項之間沒(méi)有相關(guān)關(guān)系的特征。使用自相關(guān)分析圖判斷時(shí)間序列的隨機性,一般給出如下準則: ①若時(shí)間序列的自相關(guān)函數基本上都落入置信區間,則該時(shí)間序列具有隨機性; ②若較多自相關(guān)函數落在置信區間之外,則認為該時(shí)間序列不具有隨機性。
6、判斷時(shí)間序列是否平穩,是一項很重要的工作。運用自相關(guān)分析圖判定時(shí)間序列平穩性的準則是:①若時(shí)間序列的自相關(guān)函數 在k>3時(shí)都落入置信區間,且逐漸趨于零,則該時(shí)間序列具有平穩性;②若時(shí)間序列的自相關(guān)函數更多地落在置信區間外面,則該時(shí)間序列就不具有平穩性。
7、ARMA模型的自相關(guān)分析 AR(p)模型的偏自相關(guān)函數 是以p步截尾的,自相關(guān)函數拖尾。MA(q)模型的自相關(guān)函數具有q步截尾性,偏自相關(guān)函數拖尾。
這兩個(gè)性質(zhì)可以分別用來(lái)識別自回歸模型和移動(dòng)平均模型的階數。ARMA(p,q)模型的自相關(guān)函數和偏相關(guān)函數都是拖尾的。
三、單位根檢驗和協(xié)整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗( Dickey-Fuller Test)和菲利普斯—佩榮檢驗(Philips-Perron Test),我們也可以測定時(shí)間序列的隨機性,這是在計量經(jīng)濟學(xué)中非常重要的兩種單位根檢驗方法,與前者不同的事,后一個(gè)檢驗方法主要應用于一階自回歸模型的殘差不是白噪聲,而且存在自相關(guān)的情況。 ②隨機游動(dòng) 如果在一個(gè)隨機過(guò)程中, 的每一次變化均來(lái)自于一個(gè)均值為零的獨立同分布,即隨機過(guò)程 滿(mǎn)足: , ,其中 獨立同分布,并且: , 稱(chēng)這個(gè)隨機過(guò)程是隨機游動(dòng)。
它是一個(gè)非平穩過(guò)程。 ③單位根過(guò)程 設隨機過(guò)程 滿(mǎn)足: , ,其中 , 為一個(gè)平穩過(guò)程并且 ,,。
2、協(xié)整關(guān)系 如果兩個(gè)或多個(gè)非平穩的時(shí)間序列,其某個(gè)現性組合后的序列呈平穩性,這樣的時(shí)間序列間就被稱(chēng)為有協(xié)整關(guān)系存在。這是一個(gè)很重要的概念,我們利用Engle-Granger兩步協(xié)整檢驗法和J 很高興回答樓主的問(wèn)題 如有錯誤請見(jiàn)諒。
時(shí)間序列建模基本步驟是:
①用觀(guān)測、調查、統計、抽樣等方法取得被觀(guān)測系統時(shí)間序列動(dòng)態(tài)數據。
②根據動(dòng)態(tài)數據作相關(guān)圖,進(jìn)行相zhidao關(guān)分析,求自相關(guān)函數。相關(guān)圖能顯示出變化的趨勢和周期,并能發(fā)現跳點(diǎn)和拐點(diǎn)。跳點(diǎn)是指與其他數據不一致的觀(guān)測值。如果跳點(diǎn)是正確的觀(guān)測值,在建模時(shí)應考慮進(jìn)去,如果是反常現象,則應把跳點(diǎn)調整到期望值。拐點(diǎn)則是指時(shí)間序列從上升趨勢突然變?yōu)橄陆第厔莸狞c(diǎn)。如果存在拐點(diǎn),則在建模時(shí)必須用不同的模型去分段擬合該時(shí)間序列,例如采用門(mén)限回歸模型。
③辨識合適的隨機模型,進(jìn)行曲線(xiàn)擬合,即用通用隨機模型去擬合時(shí)間序列的觀(guān)測數據。對于短的或簡(jiǎn)單的時(shí)專(zhuān)間序列,可用趨勢模型屬和季節模型加上誤差來(lái)進(jìn)行擬合。對于平穩時(shí)間序列,可用通用ARMA模型(自回歸滑動(dòng)平均模型)及其特殊情況的自回歸模型、滑動(dòng)平均模型或組合-ARMA模型等來(lái)進(jìn)行擬合。當觀(guān)測值多于50個(gè)時(shí)一般都采用ARMA模型。對于非平穩時(shí)間序列則要先將觀(guān)測到的時(shí)間序列進(jìn)行差分運算,化為平穩時(shí)間序列,再用適當模型去擬合這個(gè)差分序列。
(一)指標分析法
通過(guò)時(shí)間序列的分析指標來(lái)揭示現象的發(fā)展變化狀況和發(fā)展變化程度。
(二)構成因素分析法
通過(guò)對影響時(shí)間序列的構成因素進(jìn)行分解分析,揭示現象隨時(shí)間變化而演變的規律。
利用數據挖掘進(jìn)行數據分析常用的方法主要有分類(lèi)、回歸分析、聚類(lèi)、關(guān)聯(lián)規則、特征、變化和偏差分析、Web頁(yè)挖掘等, 它們分別從不同的角度對數據進(jìn)行挖掘。
1、分類(lèi) 分類(lèi)是找出數據庫中一組數據對象的共同特點(diǎn)并按照分類(lèi)模式將其劃分為不同的類(lèi),其目的是通過(guò)分類(lèi)模型,將數據庫中的數據項映射到某個(gè)給定的類(lèi)別。它可以應用到客戶(hù)的分類(lèi)、客戶(hù)的屬性和特征分析、客戶(hù)滿(mǎn)意度分析、客戶(hù)的購買(mǎi)趨勢預測等,如一個(gè)汽車(chē)零售商將客戶(hù)按照對汽車(chē)的喜好劃分成不同的類(lèi),這樣營(yíng)銷(xiāo)人員就可以將新型汽車(chē)的廣告手冊直接郵寄到有這種喜好的客戶(hù)手中,從而大大增加了商業(yè)機會(huì )。
2、回歸分析 回歸分析方法反映的是事務(wù)數據庫中屬性值在時(shí)間上的特征,產(chǎn)生一個(gè)將數據項映射到一個(gè)實(shí)值預測變量的函數,發(fā)現變量或屬性間的依賴(lài)關(guān)系,其主要研究問(wèn)題包括數據序列的趨勢特征、數據序列的預測以及數據間的相關(guān)關(guān)系等。它可以應用到市場(chǎng)營(yíng)銷(xiāo)的各個(gè)方面,如客戶(hù)尋求、保持和預防客戶(hù)流失活動(dòng)、產(chǎn)品生命周期分析、銷(xiāo)售趨勢預測及有針對性的促銷(xiāo)活動(dòng)等。
3、聚類(lèi) 聚類(lèi)分析是把一組數據按照相似性和差異性分為幾個(gè)類(lèi)別,其目的是使得屬于同一類(lèi)別的數據間的相似性盡可能大,不同類(lèi)別中的數據間的相似性盡可能小。它可以應用到客戶(hù)群體的分類(lèi)、客戶(hù)背景分析、客戶(hù)購買(mǎi)趨勢預測、市場(chǎng)的細分等。
4、關(guān)聯(lián)規則 關(guān)聯(lián)規則是描述數據庫中數據項之間所存在的關(guān)系的規則,即根據一個(gè)事務(wù)中某些項的出現可導出另一些項在同一事務(wù)中也出現,即隱藏在數據間的關(guān)聯(lián)或相互關(guān)系。在客戶(hù)關(guān)系管理中,通過(guò)對企業(yè)的客戶(hù)數據庫里的大量數據進(jìn)行挖掘,可以從大量的記錄中發(fā)現有趣的關(guān)聯(lián)關(guān)系,找出影響市場(chǎng)營(yíng)銷(xiāo)效果的關(guān)鍵因素,為產(chǎn)品定位、定價(jià)與定制客戶(hù)群,客戶(hù)尋求、細分與保持,市場(chǎng)營(yíng)銷(xiāo)與推銷(xiāo),營(yíng)銷(xiāo)風(fēng)險評估和詐騙預測等決策支持提供參考依據。
5、特征 特征分析是從數據庫中的一組數據中提取出關(guān)于這些數據的特征式,這些特征式表達了該數據集的總體特征。如營(yíng)銷(xiāo)人員通過(guò)對客戶(hù)流失因素的特征提取,可以得到導致客戶(hù)流失的一系列原因和主要特征,利用這些特征可以有效地預防客戶(hù)的流失。
6、變化和偏差分析 偏差包括很大一類(lèi)潛在有趣的知識,如分類(lèi)中的反常實(shí)例,模式的例外,觀(guān)察結果對期望的偏差等,其目的是尋找觀(guān)察結果與參照量之間有意義的差別。在企業(yè)危機管理及其預警中,管理者更感興趣的是那些意外規則。
意外規則的挖掘可以應用到各種異常信息的發(fā)現、分析、識別、評價(jià)和預警等方面。 7、Web頁(yè)挖掘 隨著(zhù)Internet的迅速發(fā)展及Web 的全球普及, 使得Web上的信息量無(wú)比豐富,通過(guò)對Web的挖掘,可以利用Web 的海量數據進(jìn)行分析,收集政治、經(jīng)濟、政策、科技、金融、各種市場(chǎng)、競爭對手、供求信息、客戶(hù)等有關(guān)的信息,集中精力分析和處理那些對企業(yè)有重大或潛在重大影響的外部環(huán)境信息和內部經(jīng)營(yíng)信息,并根據分析結果找出企業(yè)管理過(guò)程中出現的各種問(wèn)題和可能引起危機的先兆,對這些信息進(jìn)行分析和處理,以便識別、分析、評價(jià)和管理危機。
時(shí)間序列預測法的有以下幾個(gè)步驟。
第一步,收集歷史資料,加以整理,編成時(shí)間序列,并根據時(shí)間序列繪成統計圖。時(shí)間序列分析通常是把各種可能發(fā)生作用的因素進(jìn)行分類(lèi),傳統的分類(lèi)方法是按各種因素的特點(diǎn)或影響效果進(jìn)行分類(lèi):
①長(cháng)期趨勢;
②季節變動(dòng);
③循環(huán)變動(dòng);
④不規則變動(dòng)。
第二步,分析時(shí)間序列。
時(shí)間序列中的每一時(shí)期的數值都是由許許多多不同的因素同時(shí)發(fā)生作用后的綜合結果。
第三步,求時(shí)間序列的長(cháng)期趨勢(T)、季節變動(dòng)(S)和不規則變動(dòng)(I)的值,并選定近似的數學(xué)模式來(lái)代表它們。對于數學(xué)模式中的諸未知參數,使用合適的技術(shù)方法求出其值。
第四步,利用時(shí)間序列資料求出長(cháng)期趨勢、季節變動(dòng)和不規則變動(dòng)的數學(xué)模型后,就可以利用它來(lái)預測未來(lái)的長(cháng)期趨勢值T和季節變動(dòng)值S,在可能的情況下預測不規則變動(dòng)值I。然后用以下模式計算出未來(lái)的時(shí)間序列的預測值Y。
加法模式:T+S+I=Y乘法模式:T乘以S乘以I=Y
如果不規則變動(dòng)的預測值難以求得,就只求長(cháng)期趨勢和季節變動(dòng)的預測值,以?xún)烧呦喑酥e或相加之和為時(shí)間序列的預測值。如果經(jīng)濟現象本身沒(méi)有季節變動(dòng)或不需預測分季分月的資料,則長(cháng)期趨勢的預測值就是時(shí)間序列的預測值,即T=Y。但要注意這個(gè)預測值只反映現象未來(lái)的發(fā)展趨勢,即使很準確的趨勢線(xiàn)在按時(shí)間順序的觀(guān)察方面所起的作用本質(zhì)上也只是一個(gè)平均數的作用,實(shí)際值將圍繞著(zhù)它上下波動(dòng)。
去百度文庫,查看完整內容>
內容來(lái)自用戶(hù):黃劍
對于預測,有定性和定量?jì)深?lèi)方法,定性的方法主要是作一些趨勢性或轉折點(diǎn)的判定。常用的方法有專(zhuān)家座談會(huì )法,德?tīng)柗品ǖ取3S玫亩款A測方法有兩種,一種是回歸分析法,另一種常用方法就是時(shí)間序列分析法。這一章主要介紹有關(guān)時(shí)間序列分析法的有關(guān)內容。
所謂時(shí)間序列就是一組按照一定的時(shí)間間隔排列的一組數據。這一組數據可以表示各種各樣的含義的數值,如對某種產(chǎn)品的需求量、產(chǎn)量,銷(xiāo)售額,等。其時(shí)間間隔可以是任意的時(shí)間單位,如小時(shí)、日、周、月等。通常,對于這些量的預測,由于很難確定它與其他因變量的關(guān)系,或收集因變量的數據非常困難,這時(shí)我們就不能采用回歸分析方法進(jìn)行預測,或者說(shuō),有時(shí)對預測的精度要求不是特別高,這時(shí)我們都可以使用時(shí)間序列分析方法來(lái)進(jìn)行預測。
當然,時(shí)間序列分析法并非只是一種簡(jiǎn)單的預測分析方法,其實(shí),基本的時(shí)間序列分析法確實(shí)很簡(jiǎn)單,但是也有一些非常復雜的時(shí)間序列分析方法。
采用時(shí)間序列分析進(jìn)行預測時(shí)需要用到一系列的模型,這種模型統稱(chēng)為時(shí)間序列模型。在使用這種時(shí)間序列模型時(shí),總是假定某一種數據變化模式或某一種組合模式總是會(huì )重復發(fā)生的。因此可以首先識別出這種模式,然后采用外推的方式就可以進(jìn)行預測了。
1S季節系數實(shí)際上就是:對于1.MA=T*C自相關(guān)的含義類(lèi)似于相關(guān)關(guān)系,自相關(guān)系數類(lèi)似于相關(guān)系數,只不過(guò)在自相關(guān)關(guān)系中,它描述的不是兩個(gè)不同的量之間的關(guān)系,而是描述的同一個(gè)變量在不同時(shí)間之間的相關(guān)關(guān)系
時(shí)間序列預測方法根據對資料分析方法的不同,可分為:簡(jiǎn)單序時(shí)平均數法、加權序時(shí)平均數法、移動(dòng)平均法、加權移動(dòng)平均法、趨勢預測法、指數平滑法、季節性趨勢預測法、市場(chǎng)壽命周期預測法等。
1、簡(jiǎn)單序時(shí)平均數法只能適用于事物變化不大的趨勢預測。如果事物呈現某種上升或下降的趨勢,就不宜采用此法。
2、加權序時(shí)平均數法就是把各個(gè)時(shí)期的歷史數據按近期和遠期影響程度進(jìn)行加權,求出平均值,作為下期預測值。
3、簡(jiǎn)單移動(dòng)平均法適用于近期期預測。當產(chǎn)品需求既不快速增長(cháng)也不快速下降,且不存在季節性因素時(shí),移動(dòng)平均法能有效地消除預測中的隨機波動(dòng)。
4、加權移動(dòng)平均法即將簡(jiǎn)單移動(dòng)平均數進(jìn)行加權計算。在確定權數時(shí),近期觀(guān)察值的權數應該大些,遠期觀(guān)察值的權數應該小些。
5、指數平滑法即根用于中短期經(jīng)濟發(fā)展趨勢預測,所有預測方法中,指數平滑是用得最多的一種。
6、季節趨勢預測法根據經(jīng)濟事物每年重復出現的周期性季節變動(dòng)指數,預測其季節性變動(dòng)趨勢。
7、市場(chǎng)壽命周期預測法,適用于對耐用消費品的預測。這種方法簡(jiǎn)單、直觀(guān)、易于掌握。
擴展資料:
時(shí)間序列預測法的特征
1、時(shí)間序列分析法是根據過(guò)去的變化趨勢預測未來(lái)的發(fā)展,前提是假定事物的過(guò)去延續到未來(lái)。運用過(guò)去的歷史數據,通過(guò)統計分析,進(jìn)一步推測未來(lái)的發(fā)展趨勢。不會(huì )發(fā)生突然的跳躍變化,是以相對小的步伐前進(jìn);過(guò)去和當前的現象,可能表明現在和將來(lái)活動(dòng)的發(fā)展變化趨向。
2.時(shí)間序列數據變動(dòng)存在著(zhù)規律性與不規律性
時(shí)間序列中的每個(gè)觀(guān)察值大小,是影響變化的各種不同因素在同一時(shí)刻發(fā)生作用的綜合結果。從這些影響因素發(fā)生作用的大小和方向變化的時(shí)間特性來(lái)看,這些因素造成的時(shí)間序列數據的變動(dòng)分為四種類(lèi)型:趨勢性、周期性、隨機性、綜合性。
參考資料來(lái)源:百度百科-時(shí)間序列預測法
參考資料來(lái)源:百度百科-指數平滑法
參考資料來(lái)源:百度百科-簡(jiǎn)單移動(dòng)平均法
用隨機過(guò)程理論和數理統計學(xué)方法,研究隨機數據序列所遵從的統計規律,以用于解決實(shí)際問(wèn)題。由于在多數問(wèn)題中,隨機數據是依時(shí)間先后排成序列的,故稱(chēng)為時(shí)間序列。它包括一般統計分析(如自相關(guān)分析、譜分析等),統計模型的建立與推斷,以及關(guān)于隨機序列的最優(yōu)預測、控制和濾波等內容。經(jīng)典的統計分析都假定數據序列具有獨立性,而時(shí)間序列分析則著(zhù)重研究數據序列的相互依賴(lài)關(guān)系。后者實(shí)際上是對離散指標的隨機過(guò)程的統計分析,所以又可看作是隨機過(guò)程統計的一個(gè)組成部分。例如,用x(t)表示某地區第t個(gè)月的降雨量,{x(t),t=1,2,…}是一時(shí)間序列。對t=1,2,…,T,記錄到逐月的降雨量數據x(1),x(2),…,x(T),稱(chēng)為長(cháng)度為T(mén)的樣本序列。依此即可使用時(shí)間序列分析方法,對未來(lái)各月的雨量x(T+l)(l=1,2,…)進(jìn)行預報。時(shí)間序列分析在第二次世界大戰前就已應用于經(jīng)濟預測。二次大戰中和戰后,在軍事科學(xué)、空間科學(xué)和工業(yè)自動(dòng)化等部門(mén)的應用更加廣泛。
就數學(xué)方法而言,平穩隨機序列(見(jiàn)平穩過(guò)程)的統計分析,在理論上的發(fā)展比較成熟,從而構成時(shí)間序列分析的基礎。 一個(gè)時(shí)間序列可看成各種周期擾動(dòng)的疊加,頻域分析就是確定各周期的振動(dòng)能量的分配,這種分配稱(chēng)為“譜”,或“功率譜”。因此頻域分析又稱(chēng)譜分析。譜分析中的一個(gè)重要統計量是 ,稱(chēng)為序列的周期圖。當序列含有確定性的周期分量時(shí),通過(guò)I(ω)的極大值點(diǎn)尋找這些分量的周期,是譜分析的重要內容之一。在按月記錄的降雨量序列中,序列x(t)就可視為含有以12為周期的確定分量,所以序列x(t)可以表示為 ,它的周期圖I(ω)處有明顯的極大值。
當平穩序列的譜分布函數F(λ)具有譜密度?(λ)(即功率譜)時(shí),可用(2π)-1I(λ)去估計?(λ),它是?(λ)的漸近無(wú)偏估計。如欲求?(λ)的相合估計(見(jiàn)點(diǎn)估計),可用I(ω)的適當的平滑值去估計?(λ),常用的方法為譜窗估計即取?(λ)的估計弮(λ)為 ,式中wt(ω)稱(chēng)為譜窗函數。譜窗估計是實(shí)際應用中的重要方法之一。譜分布F(λ)本身的一種相合估計可由I(ω)的積分直接獲得,即 。 研究以上各種估計量的統計性質(zhì),改進(jìn)估計方法,是譜分析的重要內容。 如果時(shí)間序列x(t)可表示為確定性分量φ(t)與隨機性分量ω(t)之和,根據樣本值x(1),x(2),…,x(T)來(lái)估計φ(t)及分析ω(t)的統計規律,屬于時(shí)間序列分析中的回歸分析問(wèn)題。它與經(jīng)典回歸分析不同的地方是,ω(t)一般不是獨立同分布的,因而在此必須涉及較多的隨機過(guò)程知識。當φ(t)為有限個(gè)已知函數的未知線(xiàn)性組合時(shí),即 ,式中ω(t)是均值為零的平穩序列,α1,α2,…,αs是未知參數,φ1(t),φ2(t),…,φs(t)是已知的函數,上式稱(chēng)為線(xiàn)性回歸模型,它的統計分析已被研究得比較深入。前面敘述的降雨量一例,便可用此類(lèi)模型描述。回歸分析的內容包括:當ω(t)的統計規律已知時(shí),對參數α1,α2,…,αs進(jìn)行估計,預測x(T+l)之值;當ω(t)的統計規律未知時(shí),既要估計上述參數,又要對ω(t)進(jìn)行統計分析,如譜分析、模型分析等。在這些內容中,一個(gè)重要的課題是:在相當廣泛的情況下,證明 α1,α2,…,αs的最小二乘估計,與其線(xiàn)性最小方差無(wú)偏估計一樣,具有相合性和漸近正態(tài)分布性質(zhì)。最小二乘估計姙j(1≤j≤s)不涉及ω(t)的統計相關(guān)結構,是由數據x(1),x(2),…,x(T)直接算出,由此還可得(t)進(jìn)行時(shí)間序列分析中的各種統計分析,以代替對ω(t)的分析。在理論上也已證明,在適當的條件下,這樣的替代具有滿(mǎn)意的漸近性質(zhì)。由于ω(t)的真值不能直接量測,這些理論結果顯然有重要的實(shí)際意義。這方面的研究仍在不斷發(fā)展。
時(shí)間序列分析中的最優(yōu)預測、控制與濾波等方面的內容見(jiàn)平穩過(guò)程條。多維時(shí)間序列分析的研究有所進(jìn)展,并應用到工業(yè)生產(chǎn)自動(dòng)化及經(jīng)濟分析中。此外非線(xiàn)性模型統計分析及非參數統計分析等方面也逐漸引起人們的注意。
時(shí)間序列建模基本步驟是:①用觀(guān)測、調查、統計、抽樣等方法取得被觀(guān)測系統時(shí)間序列動(dòng)態(tài)數據。
②根據動(dòng)態(tài)數據作相關(guān)圖,進(jìn)行相關(guān)分析,求自相關(guān)函數。相關(guān)圖能顯示出變化的趨勢和周期,并能發(fā)現跳點(diǎn)和拐點(diǎn)。
跳點(diǎn)是指與其他數據不一致的觀(guān)測值。如果跳點(diǎn)是正確的觀(guān)測值,在建模時(shí)應考慮進(jìn)去,如果是反常現象,則應把跳點(diǎn)調整到期望值。
拐點(diǎn)則是指時(shí)間序列從上升趨勢突然變?yōu)橄陆第厔莸狞c(diǎn)。如果存在拐點(diǎn),則在建模時(shí)必須用不同的模型去分段擬合該時(shí)間序列,例如采用門(mén)限回歸模型。
③辨識合適的隨機模型,進(jìn)行曲線(xiàn)擬合,即用通用隨機模型去擬合時(shí)間序列的觀(guān)測數據。對于短的或簡(jiǎn)單的時(shí)間序列,可用趨勢模型和季節模型加上誤差來(lái)進(jìn)行擬合。
對于平穩時(shí)間序列,可用通用ARMA模型(自回歸滑動(dòng)平均模型)及其特殊情況的自回歸模型、滑動(dòng)平均模型或組合-ARMA模型等來(lái)進(jìn)行擬合。當觀(guān)測值多于50個(gè)時(shí)一般都采用ARMA模型。
對于非平穩時(shí)間序列則要先將觀(guān)測到的時(shí)間序列進(jìn)行差分運算,化為平穩時(shí)間序列,再用適當模型去擬合這個(gè)差分序列。
聲明:本網(wǎng)站尊重并保護知識產(chǎn)權,根據《信息網(wǎng)絡(luò )傳播權保護條例》,如果我們轉載的作品侵犯了您的權利,請在一個(gè)月內通知我們,我們會(huì )及時(shí)刪除。
蜀ICP備2020033479號-4 Copyright ? 2016 學(xué)習?shū)B(niǎo). 頁(yè)面生成時(shí)間:2.804秒