2 趋势
2015-08-27 23:42
155 查看
一般时间序列的均值函数是完全任意的时间函数,平稳时间序列的均值函数是一定时域上的常数。
Y t =μ+X t Y_t=\mu+X_t
其中对所有的t t有E(X t )=0 E(X_t)=0
若用样本观测到的时间序列Y 1 ,Y 2 ,...,Y n Y_1,Y_2,...,Y_n来估计μ \mu,最常用的是μ \mu的估计是样本均值或平均数。
对于平稳序列,均值估计量的方差一般跟样本容量称反比
对于非平稳序列(但有常数均值),均值估计量的方差一般随着样本容量的增大而增大。
显然,对于非平稳序列,不能用样本均值估计,需考虑其他方法。
μ t =β 0 +β 1 t \mu_t=\beta_0+\beta_1t
最常用选择最小二乘法估计参数的值
1 确定性趋势与随机趋势
下文考虑确定趋势的建模方法2 常数均值的估计
假设均值函数是常数,模型可以写为Y t =μ+X t Y_t=\mu+X_t
其中对所有的t t有E(X t )=0 E(X_t)=0
若用样本观测到的时间序列Y 1 ,Y 2 ,...,Y n Y_1,Y_2,...,Y_n来估计μ \mu,最常用的是μ \mu的估计是样本均值或平均数。
对于平稳序列,均值估计量的方差一般跟样本容量称反比
对于非平稳序列(但有常数均值),均值估计量的方差一般随着样本容量的增大而增大。
显然,对于非平稳序列,不能用样本均值估计,需考虑其他方法。
3 回归方法
传统的回归分析统计方法可以方便地估计一般的非常数均值趋势模型的参数。本文主要介绍线性趋势、二次趋势、季节性均值趋势和余弦趋势。1 时间的线性趋势和二次趋势
考虑如下的确定时间趋势:μ t =β 0 +β 1 t \mu_t=\beta_0+\beta_1t
最常用选择最小二乘法估计参数的值
2 周期性或季节性趋势
3 余弦趋势
4 回归估计的可靠性和有效性
5 回归结果的解释
6 残差分析
相关文章推荐
- eclipse安装ADT
- intents 和 intent过滤器(一)
- 汇编指令状态寄存器访问指令(MRS,MSR)
- 了解mysql的源码目录及源文件
- Android LayoutInflater
- java静态变量,静态方法,静态类
- 安装Oracle 10g和SQLServer2008(仅作学习使用VirtualBox虚拟机来安装节省电脑资源)
- 【转】Scala学习——特质
- 论“文艺青年”都是“娇情逼”
- 七、MDT 2013 Update 1批量部署-WINDOWS 7专业版升级WINDOWS 10
- PHP读取网页文件内容的实现代码(fopen,curl等)
- mysql各版本编译安装
- app引导页(背景图片切换加各个页面动画效果)
- jquery 操作iframe的几种方法总结
- linux上安装svn服务
- 六、MDT 2013 Update 1批量部署-WINDOWS 10专业版安装
- hive 的一次使用命令
- jquery一些记录(老是搞忘函数用法,规则)
- Rabbimq 安装配置详解
- git基础使用方法整理