时间序列分析第三章平稳时间序列分析
时间序列分析-第三章-滑动平均模型和自回归滑动平均模型
滑动平均模型与 自回归滑动平均模型
本章结构
滑动平均模型 ARMA模型
§3.1 滑动平均模型
模型引入 MA(q)和MA(q)序列 最小序列 MA(q)系数的递推计算 MA(q)模型举例
q步相关
平稳序列{Xt}的自协方差函数若满足 q 0， k 0, k q ，则称{Xt} 是q步相关的。
(1.5)
MA序列的谱密度
定理1.1 MA(q)序列{Xt}的自协方差函数 是q步截尾的：
q 2bq 0, k 0,| k | q.
并且有谱密度
(1.6)
(1.7) f
()
2 2
|
B(ei ) |2
1
2
q
keik , [ , ].
k q
MA(q)序列的充要条件
定理1.3 设零均值平稳序列{Xt} 有自协
0 2 (1 b12 b22 ) 7.4084 1 2 (b1 b1b2 ) 2.664 2 2b2 3.4 k 0, k 2
(1, 2 ) (0.3596, 0.4589).
§3.2自回归滑动平均模型
ARMA(p,q)模型及其平稳解 ARMA(p,q)序列的自协方差函数 ARMA(p,q)模型的可识别性 ARMA序列的谱密度和可逆性 例子
定义1.1 设{t }是 WN(0, 2) ，如果实数
b1, b2 , bq (bq 0) 使得
则称
q
B(z) 1 bj z j 0,| z | 1, j 1
q
X t t bjt j , t Z
(1.2)
j 1
是q阶滑动平均模型，简称为MA(q)模型；
称由(1.2)决定的平均序列 {Xt} 是滑动平 均模型，简称为MA(q)序列。
《时间序列分析》讲义 第三章 平稳时间序列分析
k
1 k1 2 k2，k
2
自相关系数
自相关系数的定义
k
k 0
平稳AR(p)模型的自相关系数递推公式
k 1k 1 2 k 2 p k p
常用AR模型自相关系数递推公式
AR(1)模型 k 1k , k 0
AR(2)模型
1,
k
1
1 2
1k1 2 k2
k 0 k 1 k2
自回归系数多项式
(B) 11B 2B2 pBp
特征方程
中心化AR(p)模型
xt 1 xt1 2 xt2 p xt p t
可以看成p阶常系数非齐次线性差分方程
xt 1 xt1 2 xt2 p xt p t
它对应的齐次方程的特征方程为
p 1 p1 p1 p 0
1 12
协方差函数
在平稳AR(p)模型两边同乘xt-k，再求期望
E(xt xtk ) 1E(xt1xtk ) p E(xt p xtk ) E(t xtk )
根据
E( t xtk ) 0 ,k 1
得协方差函数的递推公式
k 1 k1 2 k 2 p k p
例题
例3.3 求平稳AR(1)模型的协方差
12
2 2
,
0,
k 0 k 1
k 2 k 3
偏自相关系数
滞后k偏自相关系数由Yule-Walker方程 确定
zt a1 zt1 a2 zt2 a p zt p h(t)
齐次线性差分方程
zt a1 zt1 a2 zt2 a p zt p 0
齐次线性差分方程的解
特征方程
p a1p1 a2p2 ap 0
特征方程的根称为特征根，记作1,2,…,p
第三章平稳时间序列分析
第 3章 安稳时间序列剖析一个序列经过预办理被辨别为安稳非白噪声序列，那就说明该序列是一个包含着有关信息的安稳序列。
3.1 方法性工具 3.1.1 差分运算 一、 p 阶差分记x t 为 x t 的 1 阶差分：x t x t x t 1记2x t 为 x t 的 2 阶差分：2x tx tx t 1xt2x t 1xt 2以此类推：记 px t 为 x t 的 p 阶差分：px tp 1x tp 1x t 1二、 k 步差分记 k xt 为 x t 的 k 步差分： kxtx t x t k延缓算子一、定义延缓算子相当与一个时间指针，目前序列值乘以一个延缓算子，就相当于把目前序列值的时间向过去拨了一个时辰。
记 B 为延缓算子，有x t 1 Bx t x t 2 B 2x tx t pB P x t二、用延缓算子表示差分运算 1、 p 阶差分 2 、 k 步差分 3.2ARMA 模型的性质AR 模型延缓算子的性质：1. B 0 12. 若 c 为任一常数，有 B(c x t ) c B( x t ) c x t 13. 对随意俩个序列 { x t } 和 { y t } ，有 B( x ty t )x t 1yt 14. Bnx t x t nnn! 5. (1 B)n( 1) i C n i B i ,此中 C n ii 0i!( n i )!定义拥有以下构造的模型称为p 阶自回归模型，简记为AR(p):xt 0 1xt 1 2xt 2pxt p tp0, E( t ) 0,Var ( t )2, E( s t ) 0, s tEx s t0, s t(3.4)AR(p) 模型有三个限制条件：条件一：p0 。
这个限制条件保证了模型的最高阶数为p 。
条件二： E( t ) 0,Var ( t )2, E( s t ) 0, s t 。
这个限制条件其实是要求随机扰乱序列{ t } 为零均值白噪声序列。
第3章 线性平稳时间序列分析
延迟算子
定义：设B为一步延迟算子，如果当前序列乘
以一个延迟算子，就表示把当前序列值的时间
向过去拨一个时刻，即 BXt=Xt-1。
性质： B0 1
B(c
X
t
)
c
B(
X
t
)
c
X
t
1,
c为任意常数
B(
X
t
Yt )
X t1
Yt1
(1
B)n
n
(1)i Cni Bi
B
n
X
t
i0
X t n
线性差分方程
EXt
常数方差：
var Xt var t 1t1
q t q
1 12
2 2
q2
2 a
【注】MA(q)模型一定为平稳模型。
MA(q)模型的可逆性
可逆MA模型定义
若一个MA模型能够表示成无穷阶的自回归模型， 则称该MA模型称为可逆的。
例：（1）X t t 2t1 （2）X t t 0.5t1
非齐次线性差分方程的解
非齐次线性差分方程的特解
使得非齐次线性差分方程成立的任意一个解
zt a1zt1 a2 zt2 a p zt p h(t)
非齐次线性差分方程的通解 zt
齐 方
次 程
线性差
的特z解t
分
方程的 之和
通
解zt
和非齐次线性差分
zt zt zt
一阶差分方程
P33
yt yt1 t
（1）Xt 1 2Bt （2）Xt 1 0.5Bt
（1）t 1/ 1 2B Xt
（2）t 1/ 1 0.5B Xt 0.5Bn Xt 0.5n Xtn
第三章线性平稳时间序列模型
可见,AR(1)模型中，xt在t时刻值依赖于两部分，一部分依 模型中， 时刻值依赖于两部分， 可见 模型中 时刻值依赖于两部分 赖于它的前一期的值x 另一部分是依赖于与x 赖于它的前一期的值 t-1；另一部分是依赖于与 t-1不相关 的部分ε 的部分 t 可将AR(1)模型写成另一种形式： 模型写成另一种形式： 可将 模型写成另一种形式
xt = ϕ1xt −1 + ϕ2 xt −2 +L+ ϕ p xt − p + εt
其中： (1) p ≠ 0 (2) εt是白噪声序列 (3) Exsε t = 0, ∀s < t
E (ε t ) = 0，Var (ε t ) = σ ε2 , E (ε t ε s ) = 0, s ≠ t
那么我们就说xt遵循一个p阶自回归或AR(p)随机过程。
例如： ARIMA(2,1,2)表示先对时间序列进行一阶差分，使之 转化为平稳序列，然后对平稳序列建立ARMA(2,2)模型。 ARIMA(p,0,q)就相当于ARMA(p,q)。 ARIMA(p,0,0)就相当于AR(p)。 ARIMA(0,0,q)就相当于MA(q)。 对于一个ARIMA(p,d,q)也可以用推移算子B表示如下 ϕ (B )(1 − B) d xt = θ ( B)ε t 其中： ϕ (B ) = 1 − ϕ 1 B − ϕ 2 B 2 − L − ϕ p B p
(二).二阶自回归模型，AR(2)
1.设{xt}为零均值的随机序列，如果关于xt的合适模型为： 其中：
xt = ϕ1xt −1 + ϕ2 xt −2 + εt
时间序列分析第三章平稳时间序列分析
注：图中，S号代表序列的观察值；连续曲线代表拟合序列曲线；虚线代表拟合序列的95%上下置信限。
所谓预测就是要利用序列以观察到的样本值对序列在未来某个时刻的取值进行估计。
目前对平稳序列最常用的预测方法是线性最小方差预测。
线性是指预测值为观察值序列的线性函数，最小方差是指预测方差达到最小。
在预测图上可以看到，数据围绕一个范围内波动，即说明未来的数值变化时平稳的。
二、课后习题第十七题：根据某城市过去63年中每年降雪量数据（单位：mm）得：（书本P94）程序：data example17_1;input x@@;time=_n_;cards;2579588397 110;proc gplot data=example17_1;plot x*time=1;symbol c=red i=join v=star;run;proc arima data=example17_1;identify var=x nlag=15minic p= (0:5) q=(0:5);run;estimate p=1;run;estimate p=1 noin;run;forecast lead=5id=time out=results;run;proc gplot data=results;plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1c=black i=none v=start;symbol2c=red i=join v=none;symbol3c=green i=join v=none l=32;run;（1）判断该序列的平稳性与纯随机性该序列的时序图如下（图a）图a由时序图显示过去63年中每年降雪量数据围绕早70mm附近随机波动，没有明显趋势或周期，基本可以看成平稳序列，为了稳妥起见，做了如下自相关图（图b）图b时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。
线性平稳时间序列分析
线性平稳时间序列分析线性平稳时间序列分析是一种重要的时间序列分析方法，用于研究随时间变化的数据。
它基于一个核心假设，即数据的均值和方差在随时间推移的过程中保持不变。
线性平稳时间序列可以用数学模型来描述，通常使用自回归（AR）模型、滑动平均（MA）模型或自回归滑动平均（ARMA）模型。
这些模型基于该系列在某一时间点的值与该系列在过去时间点的值之间的线性关系。
为了进行线性平稳时间序列分析，首先需要检验数据是否满足平稳性的假设。
常用的检验方法包括ADF检验和单位根检验。
若数据不满足平稳性的假设，则需要通过差分操作将其转化为平稳时间序列。
在得到平稳的时间序列后，可以使用最小二乘法对时间序列进行模型拟合。
通过对数据进行模型拟合，我们可以得到模型的系数以及误差项的信息。
利用这些信息，可以进行时间序列的预测和分析。
在预测方面，线性平稳时间序列分析可以利用过去的观测值来预测未来的值。
预测方法包括简单的移动平均法和指数平滑法，以及更复杂的AR、MA和ARMA模型。
在分析时间序列方面，线性平稳时间序列分析可以通过模型的系数和误差项的信息来揭示数据的特征和规律。
例如，可以用模型的系数来检验是否存在滞后效应，用误差项的信息来检验模型的拟合程度。
总之，线性平稳时间序列分析是一种重要的时间序列分析方法，可以帮助我们研究随时间变化的数据。
通过对数据进行模型拟合、预测和分析，我们可以揭示数据的特征和规律，从而提供决策支持和预测能力。
线性平稳时间序列分析是一种重要的时间序列分析方法，它广泛应用于经济学、金融学、工程学等领域。
该方法基于数据的均值和方差在时间推移过程中保持不变的假设，旨在研究随时间变化的数据及其内在规律，以便进行预测、决策支持和其他分析。
在线性平稳时间序列分析中，首先需要检验数据是否符合平稳性的假设。
平稳性是指数据的均值和方差不随时间变化而发生显著变化。
为了检验平稳性，在实际应用中常常使用单位根检验或ADF检验等方法。
第3章 平稳时间序列分析(1)
第3章平稳时间序列分析本章教学内容与要求：了解时间序列分析的方法性工具；理解并掌握ARMA 模型的性质；掌握时间序列建模的方法步骤及预测；能够利用软件进行模型的识别、参数的估计以及序列的建模与预测。
本章教学重点与难点：利用软件进行模型的识别、参数的估计以及序列的建模与预测。
型来息。
t x 为t x 的1阶差分： ▽1t t t x x x --=对1阶差分后的序列再进行一次1阶差分运算称为2阶差分，记▽2tx 为t x 的2阶差分：▽2t x =▽t x -▽1-t x以此类推，对p-1阶差分厚序列再进行一次1阶差分运算称为p 阶差分。
记▽p t x 为t x 的p 阶差分：▽p t x =▽p-1t x -▽p-11-t x （二）k 步差分kt x 为t x 的10,,1t = 10,,2 = 即2阶差分序列▽2t x ：3，22，-63，-54，-6，16，-52，-40，10,,3t = 2步差分：▽29x x x 133=-= ▽234x x x 244=-=……▽2-28x x x 81010=-=即2步差分序列：9，34，-7，-26，12，21，-16，-28 二、延迟算子（滞后算子） （一）定义延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相x因此，15-18+6=343-30+9=222.k 步差分▽k =t k t k t k t t x )B 1(x B x x x -=-=--三、线性差分方程在实践序列的时域分析中，线性差分方程是非常重要的，也是极为有效的工具，事实上，任何一个ARMA模型都是一个现象差分方程。
因此，ARMA模型的性质往往取决于差分方程的性质。
为了更好地讨论ARMA 模型的性质，先简单介绍差分方程的一般性质。
设,，方程两边同除以，得特征方程（这是一个一元p次方程，应该至少有p个非零实根，称这p个实根为特征方程（3）的特征根，不防记作.特征根的取值情况不同，齐次线性差分方程的解会有不同的表达形式。
时序预测中的时间序列平稳性检验方法详解(Ⅲ)
时序预测中的时间序列平稳性检验方法详解时间序列分析在各个领域都有着广泛的应用，如经济学、气象学、医学等。
而时间序列平稳性检验是时间序列分析中的重要一环，它可以帮助我们确认时间序列数据是否稳定，从而选择合适的模型进行预测。
本文将详细介绍时间序列平稳性检验的方法和原理。
一、平稳性的定义在进行时间序列分析时，我们通常假设时间序列是平稳的。
平稳性是指时间序列在统计特性上的稳定性，即均值和方差在时间上都是恒定的。
如果时间序列不满足平稳性的要求，将会导致预测结果不准确。
因此，平稳性检验在时间序列分析中至关重要。
二、时间序列平稳性的检验方法1. 直观法直观法是最简单的一种检验方法，它通过观察时间序列的均值和方差是否随时间变化而确定序列的平稳性。
如果均值和方差不随时间变化，则可以初步认定序列是平稳的。
然而，直观法往往不够准确，因为很难只通过肉眼观察就确定序列的平稳性。
2. 统计方法在统计方法中，有许多用于时间序列平稳性检验的经典方法，如ADF检验、PP检验、KPSS检验等。
这些方法都是通过建立统计模型，对序列的均值和方差进行检验，从而判断序列的平稳性。
ADF检验（Augmented Dickey-Fuller Test）是最常用的一种检验方法，它的原假设是时间序列具有单位根（非平稳），备择假设是时间序列是平稳的。
通过对序列进行单位根检验，ADF检验可以判断序列的平稳性。
如果p值小于显著性水平（通常为），则拒绝原假设，认为序列是平稳的。
PP检验（Phillips-Perron Test）是另一种常用的单位根检验方法，它与ADF检验类似，也是通过检验序列的单位根来判断序列的平稳性。
与ADF检验的区别在于PP检验对序列的自相关结构和序列长度的敏感性较低。
KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin Test）则是一种反向的检验方法，它的原假设是序列是平稳的，备择假设是序列具有单位根。
时间序列分析(张能福)第三章
第一节线性差分方程一、后移算子B定义为三、齐次方程解的计算1 、AR(n) 过程自相关函数ACF 1阶自回归模型AR(1) Xt= Xt-1+ at 的k阶滞后自协方差为：Xt= 1Xt-1+ 2Xt-2 + at 该模型的方差0以及滞后1期与2期的自协方差1, 2分别为一般地，n阶自回归模型AR(n) Xt= 1Xt-1+ 2Xt-2 +…nXt-n + at 其中：zi 是AR(n) 特征方程(z)=0 的特征根，由AR(n) 平稳的条件知，|zi|<1; 因此，当zi 均为实数根时，k呈几何型衰减（单调或振荡）；当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项，k呈正弦波衰减。
对MA(1) 过程其自协方差系数为二、偏自相关函数从Xt 中去掉Xt-1 的影响，则只剩下随机扰动项at ，显然它与Xt-2 无关，因此我们说Xt 与Xt-2 的偏自相关系数为零，记为MA(1) 过程可以等价地写成at 关于无穷序列Xt ，Xt-1 ，…的线性组合的形式：与MA(1) 相仿，可以验证MA(m) 过程的偏自相关函数是非截尾但趋于零的。
ARMA(n,m) 的自相关函数，可以看作MA(m) 的自相关函数和AR(n) 的自相关函数的混合物。
当n=0 时，它具有截尾性质；当m=0 时，它具有拖尾性质；当n、m都不为0时，它具有拖尾性质从识别上看，通常：ARMA(n ，m) 过程的偏自相关函数（PACF ）可能在n阶滞后前有几项明显的尖柱（spikes ），但从n阶滞后项开始逐渐趋向于零；而它的自相关函数（ACF ）则是在m阶滞后前有几项明显的尖柱，从m阶滞后项开始逐渐趋向于零。
对k=1 ，2，3，…依次求解方程，得上述……序列为AR 模型的偏自相关函数。
偏自相关性是条件相关，是在给定的条件下，和的条件相关。
换名话说，偏自相关函数是对和所解释的相关的度量。
之间未被由最小二乘原理易得，是作为关于线性回归的回归系数。
计量经济学：平稳时间序列分析-差分方程与延迟算子
f (t)
11 0
f (t1)
11
1
f (1)
11 t 1
t
, , 给出初值y-1， y-2，…，y-p以及 0 1
t 的值，即可得到yt。
定理：矩阵F的特征根满足的特征方程为
p 1 p1 2 p2 p1 p 0
1、具有相异特征根的p阶差分方程的通解
如果矩阵F的特征根是相异的，那么存在一个非奇异矩阵
1
0
0
F 0 1 0
0 0 0
p1 p
0
0
0 0 ,
1 0
t
0
Vt
0
0
则原p阶差分方程变为一阶向量差分方程
t Ft1 Vt
参照一阶向量差分方程的递归解法有
t
F
t
1 1
F tV0
F t1V1
F t2V2
FVt1 Vt
即
yt
yt 1
y1
y2
0
0
t 21
1
2 1 2 3
1 p 2 p
t p1
1
p 1 p 2
p p1
将此结果代入 ci t1iti1 即得
ci
p
p1 i
k1(i k )
k i
如果从t期开始迭代，则有
yt j
f ( j1)
11
yt 1
f y ( j1)
12
t2
f y ( j1)
11 0
f (t1)
11
1
f (1)
11 t 1
t
其中
f ( j)
11
c11j
c22j
cppj
第三章平稳时间序列分析-1
保证t期的随机干扰与过 去s期的序列值无关
特别地、当φ 0=0时，称为中心化AR(p)模型
（较适合低阶AR模型，如1,2阶）
平稳域判别
平稳域—使特征根都在单位圆内的AP(p)的系数 集合，即 {1 ,2 ,, p 特征根都在单位圆内 }
AR(1)模型判断平稳性的条件
xt xt 1 t，即xt xt 1 t
特征根判别
特征方程为 0 特征根为 所以若AR(1)平稳，必有
1 2 1 12 42
2
1 12 42
2
{1 , 2 2 1，且 2 1 1}
例3.1续 平稳性判别 (1) xt 0.8xt 1 t
(2) xt 1.1xt 1 t
模 型
(1) (2) (3) (4)
k xt xt k
2、延迟算子
延迟算子类似于一个时间指针，当前序列值乘 以一个延迟算子，就相当于把当前序列值的时 间向过去拨了一个时刻。 记B为延迟算子，有
xt p B xt , p 1
p
延迟算子的性质：
B0 1
B(c xt ) c B( xt ) c xt 1 ,
非齐次线性差分方程的通解 齐次线性差分方程的通解和非齐次线性差分方 程的特解之和Zt z z z
t t t
线性差分方程在时间序列分析中很有用，某些时间序列模型及 自协方差或自相关函数本身就是线性差分方程，而线性差分方程 的特征根的性质，对平稳性的判定也很重要。
统计学中的时间序列和平稳过程
统计学中的时间序列和平稳过程时间序列是统计学中一种重要的数据类型，它涉及对一系列按照时间顺序收集的数据进行分析、建模和预测。
时间序列分析在许多领域都有广泛的应用，从经济学到气象学，从金融学到社会学。
在时间序列分析中，平稳过程是一个关键概念，它为我们提供了对数据背后模式的理解和描述。
第一部分：时间序列分析概述时间序列分析是一种用来分析一系列按时间顺序排列的数据的统计方法。
时间序列数据通常具有以下特点：1) 序列中的观测值之间存在依赖关系，即当前观测值可能会受到前一时刻或前几时刻观测值的影响；2) 序列中的观测值随时间的推移而变化，可能呈现出趋势、周期性或随机性。
时间序列分析的目标是在这些观测值的背后找出规律和模式，并用数学模型对未来的观测值进行预测。
它可以帮助我们了解数据背后的变化趋势、周期性和其他相关性，并为决策提供有价值的信息。
第二部分：时间序列和平稳过程的定义在时间序列分析中，我们关心的是观测值的随机性和相关性。
为了能够准确地进行统计分析，我们需要对时间序列进行条件的平稳性假设。
平稳过程是时间序列理论的基石之一，它是指在时间上的任何位置，序列的统计特性保持不变。
具体来说，平稳过程要求均值、方差和协方差在时间上保持常数。
平稳过程可以分为弱平稳和严平稳两种。
弱平稳要求均值和方差在时间上保持常数，而严平稳要求协方差矩阵在任意时间间隔内保持恒定。
第三部分：常见的时间序列模型为了更好地分析和预测时间序列数据，统计学家和经济学家开发了许多时间序列模型。
以下是几种常见的时间序列模型：1) 自回归移动平均模型(ARMA)：ARMA模型是根据序列观测值自身的滞后值和滞后误差来建模的。
它结合了自回归模型(AR)和移动平均模型(MA)的特点。
2) 季节性模型：季节性模型适用于呈现出季节性变化的时间序列数据。
它通过引入季节性因子来捕捉季节性变动。
3) 自回归积分移动平均模型(ARIMA)：ARIMA模型是在ARMA模型的基础上引入了差分操作。
时间序列分析方法 第03章 平稳ARMA模型
第三章 平稳ARMA 过程一元ARMA 模型是描述时间序列动态性质的基本模型。
通过介绍ARMA 模型，可以了解一些重要的时间序列的基本概念，并且为描述单变量时间序列的动态性质提供一类十分有用的模型。
§3.1 预期、平稳性和遍历性3.1.1 预期和随机过程假设可以观察到一个样本容量为T 的随机变量t Y 的样本：},,,{21T y y y这意味着这些随机变量之间的是相互独立且同分布的。
例3.1 假设T 个随机变量的集合为：},,,{21T εεε ，),0(~2σεN i 且相互独立，我们称其为高斯白噪声过程产生的样本。
对于一个随机变量t Y 而言，它是t 时刻的随机变量，因此即使在t 时刻实验，它也可以具有不同的取值，假设进行多次试验，其方式可能是进行多次整个时间序列的试验，获得I 个时间序列：+∞=-∞=t t t y }{)1(，+∞=-∞=t t t y }{)2(，…，+∞=-∞=t t I t y }{)(将其中仅仅是t 时刻的观测值抽取出来，得到序列：},,,{)()2()1(I t t t y y y ，这个序列便是对随机变量t Y 在t 时刻的I 次观测值，也是一种简单随机子样。
定义3.1 假设随机变量t Y 是定义在相同概率空间},,{P ℜΩ上的随机变量，则称随机变量集合},2,1,0,{ ±±=t Y t 为随机过程。
例3.2 假设随机变量t Y 的概率密度函数为：]21exp[21)(22t t Y y y f t σσπ= 此时称此时密度为该过程的无条件密度，此过程也称为高斯过程或者正态过程。
定义3.2 可以利用各阶矩描述随机过程的数值特征：(1) 随机变量t Y 的数学期望定义为(假设积分收敛)：⎰==+∞∞-tt Y t t t dy y f y Y E t )()(μ (3.1) 此时它是随机样本的概率极限：∑==∞→I i i t I t y I P Y E 1)(1lim)( (3.2) (2) 随机变量t Y 的方差定义为(假设积分收敛): 20)(t t t Y E μγ-= (3.3) 例3.3 几种重要类型的随机过程1) 假设},,{21 εε是一个高斯白噪声过程，随机过程t Y 为常数加上高斯白噪声过程：t t Y εμ+=则它的均值和方差分别为：μεμμ=+==)()(t t t E Y E2220)()(σεμγ==-=t t t t E Y E(2) 随机过程t Y 为时间的线性趋势加上高斯白噪声过程：t t t Y εβ+=则它的均值和方差分别为：t E t Y E t t t βεβμ=+==)()(2220)()(σεμγ==-=t t t t E Y E3.1.2 随机过程的自协方差函数将j 个时间间隔的随机变量构成一个随机向量),,,(1'=--j t t t t Y Y Y X ，通过随机试验可以获得该随机向量的简单随机样本。
第三章 线性平稳时间序列分析
λ + α1λ
p 1
+ + α p = 0
特征根 λ1 , λ2 ,… , λ p 为互不相同的实根 这时齐次线性差分方程的解为 t zt = c1λ1t + + c p λ p 特征根 λ1 , λ2 ,… , λ p 中有相同实根 这时齐次线性差分方程的解为 特征根 λ1 , λ2 ,… , λ p 中有复根 这时齐次线性差分方程的解为
j
j k
根据 Cauchy 不等式,我们可以得到
G j G j k ≤ ∑ G 2 ∑ G 2k ∑ j j j =∞ j =∞ j =∞
∞ ∞ ∞
12
<∞
所以级数
j =∞
∑GG
j∞Leabharlann j k收敛,故 { X t } 为平稳序列.
上海财经大学 统计与管理学院
10
,
3.1.2 线性过程的因果性和可逆性
1 j =1
(3.8)
其中
1 G 1 ( B ) = I ( B) = 1 ∑ I j B j j =1 ∞
(3.9)
称将 X t 变换为 ε t 的线性算子:
I ( B ) = ∑ I j B j , I 0 = 1
j =0
∞
为逆函数 逆函数,称(3.8)为 X t 的逆转形式 逆转形式,也称为无穷阶自回归. 逆函数 逆转形式
j =0 ∞
便于使用的条件是: 便于使用的条件是:
∑ Gj < ∞
∞
j =0
(3.7)
上海财经大学 统计与管理学院 13
在理论研究和实际问题的处理时, 通常还需要用 t 时刻及 t 时刻以前的 X t j ( j = 0,1, ) 来表示白噪声 ε t ,即
时间序列分析 第三章prc
取前k个方程构成的方程组即Yule-Walker方程组
解Yule-Walker方程组可以得到参数 ( k1 , k 2 ,, kk ) 的解， 最后一个参数的解即为延迟K偏自相关系数
1 k1 0 k 2 1 kk k 1 2 k1 1 k2 0 kk k 2 k k1 k 1 k 2 k 2 kk 0
2
, , ,
1
1 2 =0 3
1 1 2 kk 2 0
k 1 k2 k 3
课堂练习 计算AR(3)模型的偏自相关系数
33和44
AR模型偏自相关系数的截尾性
i 1 1 2 i 2 记 i i ， i 1, 2, , k ， ik k 对于AR( p )模型有： 11 2 2 p p 1 Dk
例3.5续:考察如下AR模型的偏自相关图
理论偏自相关系数 样本偏自相关图
(1) xt 0.8xt 1 t
0.8 , k 1 kk ,k 2 0
例3.5续:考察如下AR模型的偏自相关图
理论偏自相关系数 样本偏自相关图
(2) xt 0.8xt 1 t
t s t t k t k
ˆ )( x Ex ˆ )] E[( x Ex ˆ )2 ] E[( xt Ex t t k t k kk t k t k ˆ )( x Ex ˆ )] E[( xt Ex t t k k t xt , xt k xt 1 , , xt k 1 kk 2 ˆ ) ] E[( x Ex
第三章平稳时间序列分析-3
n
Q(ˆ )
2 t
t1
n
( xt 1 xt1 p xt p 1 t1 q tq )2 t 1
实际中最常用的参数估计方法是条件最小二乘估 计法
条件最小二乘估计
假设条件：过去未观测到的序列值为0，即
xt 0 , t 0
从而 t
(B) (B) xt
xt
t
i xt1
i 1
由时序图可见，无周期性和单调趋势，序列平稳
序列自相关图
除延迟1阶在2倍标准差外，其它都在2倍标准差范围内 波动，平稳，自相关系数1阶截尾。
所以可考虑拟合模型MA(1)
序列偏自相关图
显然，偏自相关系数拖尾。
【例3.9】 1880-1985全球气表平均温度改变值差分序列
由时序图可见，无周期性和单调趋势，序列平稳
s
t
特别当φ0=0 时，称为中心化ARMA(p,q)模型
系数多项式
引进延迟算子，中心化ARMA(p,q)模型 可简记为 (B)xt (B)t
其中p阶自回归系数多项式：
(B) 11B 2B2 pBp
q阶移动平均系数多项式：
(B) 11B 2B2 q Bq
2、平稳条件与可逆条件
ARMA(p,q)模型的平稳条件 P阶自回归系数多项式Φ(B)=0的根都在单 位圆外,即ARMA(p,q)模型的平稳性完全由 其自回归部分的平稳性决定
Pr
2 n
ˆk
2 n
0.95
Pr
2 n
ˆkk
2 n
0.95
模型定阶的经验方法：
若样本(偏)自相关系数在最初d阶明显大于2 倍标准差，后面几乎95％的值都落在2倍
标准差范围内，且衰减为小值波动的过程 很突然。这时常视为截尾，截尾阶数为d。
平稳时间序列分析
平稳时间序列分析平稳时间序列分析是一种常用的时间序列分析方法，它旨在研究时间序列在均值和方差上的稳定性，并将其用于预测未来的数据走势。
本文将详细介绍平稳时间序列分析的基本概念、建模方法和预测技术。
首先，让我们来了解什么是时间序列。
时间序列是按照一定的时间间隔收集到的一系列数据点的有序集合，它可以是连续的或离散的。
时间序列分析的目的是通过对过去的数据进行统计分析，揭示出时间序列中的内在规律和趋势，并预测未来的数据走势。
平稳时间序列是指在统计意义上具有稳定性的时间序列，即其均值和方差保持恒定不变。
平稳时间序列具有以下特点：1）均值是常数，不随时间变化；2）方差是常数，不随时间变化；3）协方差只与时间间隔有关，与具体的时间点无关。
为了实现平稳时间序列分析，我们需要进行以下几个步骤：1. 数据准备：收集所需的时间序列数据，并将其整理成适合分析的格式。
通常，我们会绘制时间序列图以直观地查看数据的趋势和模式。
2. 时间序列分解：时间序列通常包含趋势、季节性和随机成分。
我们需要对时间序列进行分解，将其分解为这些组成部分。
常用的分解方法有经典的加性模型和乘性模型。
3. 平稳性检验：对于时间序列分析，我们需要确保数据是平稳的。
平稳性检验的目的是判断时间序列的均值和方差是否是稳定的。
常用的平稳性检验方法有ADF检验、KPSS检验等。
4. 模型建立：如果时间序列被证实是平稳的，我们可以根据数据的模式和趋势选择适当的模型。
常用的模型包括自回归滑动平均模型（ARMA模型）、自回归积分滑动平均模型（ARIMA模型）等。
5. 模型识别与估计：在模型建立的基础上，我们需要对模型进行识别和估计。
模型识别的目的是选择最适合数据的模型阶数，常用的方法有自相关函数（ACF）和偏自相关函数（PACF）的分析。
模型的估计通常使用最大似然估计方法。
6. 模型检验：建立模型后，我们需要对模型进行检验，验证其拟合程度和预测准确度。
常用的模型检验方法有残差分析、DW检验、Ljung-Box检验等。
时间序列分析第三章平稳时间序列分析
时间序列分析第三章平稳时间序列分析轴表示序列取值。
时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界的特点。
如果观察序列的时序图，显示出该序列有明显的趋势性或周期性，那它通常不是平稳序列。
从图上可以看出，数值围绕在0附近随机波动，没有明显或周期，其本可以视为平稳序列，时序图显示该序列波动平稳。
procarimadata=e某ample3_1;identifyvar=某nlag=8;run;图一图二样本自相关图图三样本逆自相关图2图四样本偏自相关图图五纯随机检验图实验结果分析：（1）由图一我们可以知道序列样本的序列均值为-0.06595，标准差为1.561613，观察值个数为84个。
（2）根据图二序列样本的自相关图我们可以知道该图横轴表示自相关系数，综轴表示延迟时期数，用水平方向的垂线表示自相关系数的大小。
我们发现样本自相关图延迟3阶之后，自相关系数都落入2倍标准差范围以内，而且自相关系数向0.03衰减的速度非常快，延迟5阶之后自相关系数即在0.03值附近波动。
这是一个短期相关的样本自相关图。
所以根据样本自相关图的相关性质，可以认为该序列平稳。
（3）根据图五的检验结果我们知道，在各阶延迟下LB检验统计量的P值都非常小（<0.0001），所以我们可以以很大的把握（置信水平>99.999%）断定该序列样本属于非白噪声序列。
procarimadata=e某ample3_1;identifyvar=某nlag=8minicp=(0:5)q=(0:5);run;IDENTIFY命令输出的最小信息量结果3某个观察值序列通过序列预处理，可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列建模。
建模的基本步骤如下：A：求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。
- 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)。
应用时间序列分析实验报告实验名称第三章平稳时间序列分析一、上机练习data example3_1;input x;time=_n_;cards;0.30 -0.45 0.036 0.00 0.17 0.45 2.154.42 3.48 2.99 1.74 2.40 0.11 0.960.21 -0.10 -1.27 -1.45 -1.19 -1.47 -1.34-1.02 -0.27 0.14 -0.07 0.10 -0.15 -0.36-0.50 -1.93 -1.49 -2.35 -2.28 -0.39 -0.52-2.24 -3.46 -3.97 -4.60 -3.09 -2.19 -1.210.78 0.88 2.07 1.44 1.50 0.29 -0.36-0.97 -0.30 -0.28 0.80 0.91 1.95 1.771.80 0.56 -0.11 0.10 -0.56 -1.34 -2.470.07 -0.69 -1.96 0.04 1.59 0.20 0.391.06 -0.39 -0.162.07 1.35 1.46 1.500.94 -0.08 -0.66 -0.21 -0.77 -0.52 0.05;procgplot data=example3_1;plot x*time=1;symbolc=red i=join v=star;run;建立该数据集，绘制该序列时序图得：根据所得图像，对序列进行平稳性检验。
时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。
时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的X围有界的特点。
如果观察序列的时序图，显示出该序列有明显的趋势性或周期性，那它通常不是平稳序列。
从图上可以看出，数值围绕在0附近随机波动，没有明显或周期，其本可以视为平稳序列，时序图显示该序列波动平稳。
procarima data=example3_1;identifyvar=x nlag=8;run;图一图二样本自相关图图三样本逆自相关图图四样本偏自相关图图五纯随机检验图实验结果分析：（1）由图一我们可以知道序列样本的序列均值为-0.06595，标准差为1.561613，观察值个数为84个。
（2）根据图二序列样本的自相关图我们可以知道该图横轴表示自相关系数，综轴表示延迟时期数，用水平方向的垂线表示自相关系数的大小。
我们发现样本自相关图延迟3阶之后，自相关系数都落入2倍标准差X围以内，而且自相关系数向0.03衰减的速度非常快，延迟5阶之后自相关系数即在0.03值附近波动。
这是一个短期相关的样本自相关图。
所以根据样本自相关图的相关性质，可以认为该序列平稳。
（3）根据图五的检验结果我们知道，在各阶延迟下LB检验统计量的P值都非常小（<0.0001），所以我们可以以很大的把握（置信水平>99.999%）断定该序列样本属于非白噪声序列。
procarima data=example3_1;identifyvar=x nlag=8minicp= (0:5) q=(0:5);run;IDENTIFY命令输出的最小信息量结果某个观察值序列通过序列预处理，可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列建模。
建模的基本步骤如下：A：求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。
B：根据样本自相关系数和偏自相关系数的性质，选择适当地ARMA（p，q）模型进行拟合。
C：估计模型中未知参数的值。
D：检验模型有效性。
如果拟合模型不通过检验，转向步骤B，重新选择模型再拟合。
E：模型优化。
如果拟合模型通过检验，仍然转向步骤B，充分考虑各种可能，建立多个拟合模型，从所有通过检验中选择最优模型。
F：利用拟合模型，预测序列的将来走势。
为了尽量避免因个人经验不足导致的模型识别问题，SAS系统还提供了相对最优模型识别。
最后一条信息显示，在自相关延迟阶数小于等于5，移动平均延迟阶数也小于等于5的所有ARMR（p,q）模型中，BIC信息量相对最小的是ARMR（0,4）模型，即MA（4）模型。
需要注意的是，MINIC只给出一定X围内SBC最小的模型定阶结果，但该模型的参数未必都能通过参数检验，即经常会出现MINIC给出的模型阶数依然偏高的情况。
estimateq=4;run;本例参数估计输出结果显示均值MU不显著（t的检验统计量的P值为0.9968），其他参数均显著（t 检验统计量的P值均小于0.00001），所以选择NOINT选项，除去常数项，再次估计未知参数的结果，即可输入第二条ESTIMATE命令：estimateq=4 noint;run;参数估计部分输出结果如图六所示：图六ESTIMATE命令消除常数项之后的输出结果显然四个未知参数均显著。
拟合统计量的值这部分输出五个统计量的值，由上到下分别是方差估计值、标准差估计值、AIC信息量、SBC信息量及残差个数，如图七所示：图七ESTIMATE命令输出的拟合统计量的值系数相关阵这部分输出各参数估计值的相关阵，如图八所示：图八ESTIMATE命令输出的系数相关阵残差自相关检验结果这部分的输出格式（图九）和序列自相关系数白噪声检验部分的输出结果一样。
本例中由于延迟各阶的LB统计量的P值均显著大于a（a=0.05），所以该拟合模型显著成立。
图九ESTIMATE命令输出的残差自相关检验结果拟合模型的具体形式ESTIMA TE命令输出的拟合模型的形式序列预测forecastlead=5id=time out=results;run;其中，lead是指定预测期数；id是指定时间变量标识；out是指定预测后的结果存入某个数据集。
该命令运行后输出结果如下：FORECAST命令输出的预测结果该输出结果从左到右分别为序列值的序号、预测值、预测值的标准差、95%的置信下限、95%的置信上限。
利用存储在临时数据集RESULTS里的数据，我们还可以绘制漂亮的拟合预测图，相关命令如下：procgplot data=results;plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1c=black i=none v=start;symbol2c=red i=join v=none;symbol3c=green i=join v=none l=32;run;输出图像如下：拟合效果图注：图中，S号代表序列的观察值；连续曲线代表拟合序列曲线；虚线代表拟合序列的95%上下置信限。
所谓预测就是要利用序列以观察到的样本值对序列在未来某个时刻的取值进行估计。
目前对平稳序列最常用的预测方法是线性最小方差预测。
线性是指预测值为观察值序列的线性函数，最小方差是指预测方差达到最小。
在预测图上可以看到，数据围绕一个X围内波动，即说明未来的数值变化时平稳的。
二、课后习题第十七题：根据某城市过去63年中每年降雪量数据（单位：mm）得：（书本P94）程序：data example17_1;input x;time=_n_;cards;126.4 82.4 78.1 51.1 90.9 76.2 104.5 87.4110.5 25 69.3 53.5 39.8 63.6 46.7 72.979.6 83.6 80.7 60.3 79 74.4 49.6 54.771.8 49.1 103.9 51.6 82.4 83.6 77.8 79.389.6 85.5 58 120.7 110.5 65.4 39.9 40.188.7 71.4 83 55.9 89.9 84.8 105.2 113.7124.7 114.5 115.6 102.4 101.4 89.8 71.5 70.998.3 55.5 66.1 78.4 120.5 97 110;procgplot data=example17_1;plot x*time=1;symbolc=red i=join v=star;run;procarima data=example17_1;identifyvar=x nlag=15minicp= (0:5) q=(0:5);run;estimatep=1;run;estimatep=1 noin;run;forecastlead=5id=time out=results;run;procgplot data=results;plot x*time=1 forecast*time=2 l95*time=3 u95*time=3/overlay;symbol1c=black i=none v=start;symbol2c=red i=join v=none;symbol3c=green i=join v=none l=32;run;（1）判断该序列的平稳性与纯随机性该序列的时序图如下（图a）图a由时序图显示过去63年中每年降雪量数据围绕早70mm附近随机波动，没有明显趋势或周期，基本可以看成平稳序列，为了稳妥起见，做了如下自相关图（图b）图b时序图就是一个平面二维坐标图，通常横轴表示时间，纵轴表示序列取值。
时序图可以直观地帮助我们掌握时间序列的一些基本分布特征。
根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的X围有界的特点。
如果观察序列的时序图，显示出该序列有明显的趋势性或周期性，那它通常不是平稳序列。
样本的自相关图我们可以知道该图横轴表示自相关系数，综轴表示延迟时期数，用水平方向的垂线表示自相关系数的大小。
我们发现样本自相关图延迟2阶之后，自相关系数都落入2倍标准差X围以内，自相关图显示该序列自相关系数一直都比较小，1阶开始控制在2倍的标准差X围以内，可以认为该序列自始自终都在零轴附近波动，这是随即性非常强的平稳时间序列。
纯随机性检验见下图：（图c）图c根据图c的检验结果我们知道，在6阶延迟下LB检验统计量的P值显著小于0.05，所以我们可以以很大的把握（置信水平>95%）断定这个拟合模型的残差序列属于非白噪声序列。
（2）如果序列平稳且非白躁声，选择适当模型拟合该序列的发展。
模型识别如下图（图d）图d假如某个观察值序列通过序列预处理，可以判定为平稳非白噪声序列，就可以利用ARMA模型对该序列建模。
建模的基本步骤如下：1：求出该观察值序列的样本自相关系数（ACF）和样本偏自相关系数（PACF）的值。
2：根据样本自相关系数和偏自相关系数的性质，选择适当地ARMA（p，q）模型进行拟合。