版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、2.8 季節(jié)時間序列模型在某些時間序列中,存在明顯的周期性變化。這種周期是由于季節(jié)性變化(包括季度、月度、周度等變化)或其他一些固有因素引起的。這類序列稱為季節(jié)性序列。比如一個地區(qū)的氣溫值序列(每隔一小時取一個觀測值)中除了含有以天為周期的變化,還含有以年為周期的變化。在經濟領域中,季節(jié)性序列更是隨處可見。如季度時間序列、月度時間序列、周度時間序列等。處理季節(jié)性時間序列只用以上介紹的方法是不夠的。描述這類序列的模型之一是季節(jié)時間序列模型
2、(seasonal ARIMA model),用 SARIMA 表示。較早文獻也稱其為乘積季節(jié)模型(multiplicative seasonal model) 。設季節(jié)性序列(月度、季度、周度等序列都包括其中)的變化周期為 s,即時間間隔為 s 的觀測值有相似之處。首先用季節(jié)差分的方法消除周期性變化。季節(jié)差分算子定義為,?s = 1- Ls 若季節(jié)性時間序列用 yt 表示,則
3、一次季節(jié)差分表示為?s yt = (1- Ls) yt = yt - yt - s 對于非平穩(wěn)季節(jié)性時間序列,有時需要進行 D 次季節(jié)差分之后才能轉換為平穩(wěn)的序列。在此基礎上可以建立關于周期為 s 的 P 階自回歸 Q 階移動平均季節(jié)時間序列模型(注意 P、Q 等于 2 時,滯后算子應為(Ls)2 = L2s。AP (Ls) ?sDyt = ?Q (Ls) ut
4、 (2.60)對于上述模型,相當于假定 ut 是平穩(wěn)的、非自相關的。當 ut 非平穩(wěn)且存在 ARMA 成分時,則可以把 ut 描述為?p (L) ?dut = ?q (L) vt (2.61)其中 vt 為白噪聲過程,p, q 分別表示非季節(jié)自回歸、移動平均算子的最大階數(shù),d 表示 ut的一階(非季節(jié))差
5、分次數(shù)。由上式得ut = ?p-1(L) ?-d ?q (L) vt (2.62)把 (2.62) 式代入 (2.60) 式,于是得到季節(jié)時間序列模型的一般表達式。?p(L) AP(Ls) (?d?sDyt) = ?q(L) ?Q(Ls) vt (2.63)其中下標 P, Q, p, q 分
6、別表示季節(jié)與非季節(jié)自回歸、移動平均算子的最大滯后階數(shù),d, D 分別表示非季節(jié)和季節(jié)性差分次數(shù)。上式稱作 (p, d, q) ? (P, D, Q)s 階季節(jié)時間序列模型或乘積季節(jié)模型。保證(?d?sDyt)具有平穩(wěn)性的條件是?p(L)AP(Ls) = 0 的根在單位圓外;保證(?d?sDyt)具有可逆性的條件是?q (L)?Q (Ls) = 0 的根在單位圓外。當 P = D = Q = 0 時,SARIMA 模型退化為 ARIM
7、A 模型;從這個意義上說,ARIMA模型是 SARIMA 模型的特例。當 P = D = Q = p = q = d = 0 時,SARIMA 模型退化為白噪聲模型。 (1, 1, 1) ? (1, 1, 1)12 階月度 SARIMA 模型表達為(1- ?1 L) (1- ?1 L12) ? ?12 yt = (1+?1 L) (1+?1 L12) vt ? ?12 yt 具有平穩(wěn)性的條件是 ? ?1 ? < 1,? ?1
8、? < 1,? ?12 yt 具有可逆性的條件是 ? ?1 ? < 1,? ?1 ? < 1。設 log(Yt) = yt,變量? ?12 yt 在 EViews 中用 DLOG(Y,1,12)表示(這樣表示的好處是型異方差。對數(shù)的社會商品零售額月度數(shù)據(jù)(Ln yt)曲線見圖 2.33。Lnyt 與時間近似呈線性關系(異方差問題也得到抑制) 。 0200400600800100078 79 80 81 82 83 84
9、 85 86 87 88 89Y4.55.05.56.06.57.078 79 80 81 82 83 84 85 86 87 88 89LNY圖 2.32 yt 圖 2.33 Lnyt通過 Lnyt 的相關圖和偏相關圖(見圖 2.34)可以看到 Lnyt 是一個非平穩(wěn)序列(相關圖衰減很慢)且 Lnyt 與其 12 倍數(shù)的滯后期存在自回歸關系。圖 2.34 Lnyt 的
10、相關圖(下)和偏相關圖(上)對 Lnyt 進行一階差分,得?Lnyt(圖 2.35) 。圖 2.36 是對 Lnyt 進行 2 次一階差分的結果,序列?2Ln yt 是過度差分序列。從 ?Lnyt 的相關圖和偏相關圖(圖 2.37)可以看到,通過差分 ?Lnyt 的平穩(wěn)性得到很大改進,但與其 12 倍數(shù)的滯后期存在顯著的自相關關系。-0.4-0.20.00.20.478 79 80 81 82 83 84 85 86 87 88 89D
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 13季節(jié)arima模型
- 時間序列上機實驗-arima模型的建立(季節(jié)乘積模型)
- 基于arima模型的季節(jié)調整方法及研究進展
- 基于乘積季節(jié)性ARIMA模型負荷預報及節(jié)能監(jiān)控軟件研究.pdf
- arima模型-自回歸移動平均模型
- 基于ARIMA模型的組合模型研究.pdf
- 基于arima的z評分模型應用
- 基于arima模型的股價的研究
- 中國gdp的計量經濟模型(arima模型)分析
- 應用ARIMA季節(jié)乘積模型對南昌市新建區(qū)居民傷害死亡趨勢分析及預測.pdf
- 湖北省丙肝流行病學特征及ARIMA乘積季節(jié)模型預測發(fā)病數(shù)的應用.pdf
- 時間序列arima期末論文-arima模型在總人口預測中的應用
- ARIMA乘積季節(jié)模型在我國法定傳染病甲乙類發(fā)病率預測中的應用.pdf
- 基于ARIMA的組合模型問題研究.pdf
- 基于ARIMA模型的股價的研究.pdf
- 基于arima模型的綠地控股股價預測
- ar,ma,arima模型介紹及案例分析
- 時間序列arima模型在r中的實現(xiàn)
- 大學論文基于arima模型的股價預測研究
- 大學論文基于arima模型的股價預測研究
評論
0/150
提交評論