您的位置:首页 > 其它

时间序列学习笔记(2)平稳性

2017-06-30 22:08 531 查看

目录

目录

平稳性的相关定义
趋势

季节性因素

随机波动

平稳性检验
时序图检验

自相关图检验
自协方差函数

自相关系数

非平稳序列确定性分析
非平稳序列的平稳化

时间序列分解

确定性因素分解

趋势分析
长期趋势分析方法
平滑法分析预测
移动平均

加权平滑法

指数平滑法
基本思想

适用

纯随机检验

平稳性的相关定义

几个定义点

趋势:

确定趋势or随机趋势,这里随机趋势是很不好把把握的,认为不是随机散乱的,便认为存在一种趋势,而确定趋势是可以找寻具体函数的。

季节性因素

趋势,循环,在一段时间内有规律的运动,像我们理解中的一年四季

随机波动

随机因素(除趋势和季节因素)引起

平稳性检验

时序图检验

依据:均值方差为常数

现象:始终在一常值附近随机波动,波动范围有限,且无明显趋势及周期特征。

自相关图检验

平稳序列有短期相关性,随着延迟期数增加(即k),自相关系数衰减到0.

例如:


自协方差函数:

ACVF:γ(k)=γ(t,t+k),∀k

自相关系数:

ACF:ρ(k)=γ(k)γ(0)

acf(x)#便可直接显示自相关图
####单位根检验


非平稳序列确定性分析

现在的因素分解序列的各种变化归纳为三大因素的叠加和耦合

(1)长期趋势(3)季节性变化(4)随机波动(这是我们之前提到的定义)

非平稳序列的平稳化

(1)去除趋势(针对确定趋势)

思路:yt=Tt+xt其中Tt是趋势xt平稳,我们主要找到趋势,去掉便可。通常我们采用拟合趋势,得到趋势的表达式,若去掉后仍不平稳,则是拟合错误。(找寻趋势的部分可参见下面的趋势分析-拟合与平滑)

(2)差分

一步差分Δy=yt−yt−1=(I−B)yt

s步差分Δsy=(I−Bs)yt

比如周数据,可以选择s=7,若一次差分后得到白噪声就没有意义了,这时可以选择分数差分。但差分会使的方差变大。

(3)变换

对于方差变化的序列,可以选择log()变换,去除指数趋势。

一般情况可以考虑box-cox变换 >可以参考线性模型笔记。

时间序列分解

参考网页时间序列分解ppt

时间序列分解+eview

这里对时间序列分解,也是探究时间序列的结构,便于趋势分析

(1)wold分解

*对于任何一个离散平稳*序列,都可以分解为两个不相关的平稳序列之和,其中一个是确定的一个是随机的。

xt=Vt+ξt,ξt=∑∞ψiϵt−i

满足ψ0=1,∑∞ψ2j<∞,ϵt∼(0,σ2ϵ),E(Vt,ϵs)=0for∀t≠s

(2)Cramer分解定理(是wold分解的推广)

任何一个时间序列都可以分解为两部分的叠加,一部分是多项式决定的确定性趋势,另一部分是平稳的零均值误差成分。

确定性因素分解

克服其他因素的影响,单纯分析单一因素对于序列的影响

各种因素的彼此的关联性,判断综合影响

趋势分析

找到序列趋势,对序列做分析预测

长期趋势分析方法

[b]平滑法(分析,预测)[/b]

数据去掉随机波动后,就可以得到确定的趋势,再可以对趋势进行分析(拟合等)利用修匀技术,削弱短期随机波动的影响,显示长期趋势的规律。

移动平均

假定:短的时间间隔中,序列的差异主要由随机波动引起。用平均值作为估计值

(1)n期中心移动平均(只能用于历史数据的拟合,不能预测)

思想是以xt为中心取均值

xt=1n(xt−n−12+...+xt+...+xt+n−12),n为奇数为偶数时类推

(2)n期移动平均(向前)

1.xt^=1/n∗(xt−1+...+xt−n)用于预测

2.xt^=1/n∗(xt+...+xt−n+1)主要用于拟合

这里的周期数n的值的确定

【1】若有周期性,n=周期

【2】n越大,趋势越平滑,n越小,拟合趋势越敏感

问1:周期数n的确定的权衡怎么做

加权平滑法

xt^=∑∞k=0αk∗xt−k取αk=ak,0<a<1变为如下,是要保证系数的加和为1

xt^=∑∞k=0(1−a)ak∗xt−k=axt−1^+(1−a)xt(∗)这为一次指数平滑法,通常1-a不要太大,否则对历史数据不太重视,估计的波动很大。

指数平滑法

可看为加权平滑的特殊情况,若均值函数是m次的多项式,则最好用m-1次的指数平滑。

基本思想:

考虑近期对现在的影响大,远期的影响小,考虑权重随时间增大而呈指数趋势增加。通过混合新旧信息可参见(*)式,有旧数据xt−1^

适用:

一次指数平滑法:针对没有趋势和季节的(问3:当处理总体趋势的序列,平滑值往往滞后?)

xt^=(1−a)xt−1^+axt这里是将(*)中的a变为1-a

若用此处理有严重上升下降趋势的序列,若上升,则预测值大于原序列,反之小于。

二次:有趋势但没有季节性

xt^=(1−a)(xt−1+Tt−1)^+axt

Tt=β(xt^−xt−1^)+(1−β)Tt−1

三次(holt-winters)处理趋势和季节性(问2:优点可用于预测?_)

累加式

累乘式

纯随机检验

内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: