《时间序列分析》讲义 第三章 平稳时间序列分析
《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
时间序列分析讲义
– 在SAS系统中有一个专门进行计量经济与时间序列分析 的模块：SAS/ETS。SAS/ETS编程语言简洁，输出功能强 大，分析结果精确，是进行时间序列分析与预测的理 想的软件
– 由于SAS系统具有全球一流的数据仓库功能，因此在进 行海量数据的时间序列分析时它具有其它统计软件无 可比拟的优势
例2.3自相关图
时间序列分析讲义
例2.4时序图
时间序列分析讲义
例2.4 自相关图
时间序列分析讲义
例2.5时序图
时间序列分析讲义
例2.5自相关图
时间序列分析讲义
• 例2.3时序为非平稳的，有趋势； • 例2.4时序非平稳性，有趋势 • 例2.5时序是一个平稳的
时间序列分析讲义
非平稳性序列的平稳化
时间序列分析讲义
2020/11/16
时间序列分析讲义
第一章 时间序列分析基本概 念
时间序列分析讲义
第一章 时间序列分析基本概念
1.1 时间序列的定义
• 随机序列:按时间顺序排列的一组随机变量
• 观察值序列:随机序列的 个有序观察值，称之为 序列长度为 的观察值序列
• 随机序列和观察值序列的关系
– 观察值序列是随机序列的一个实现 – 我们研究的目的是想揭示随机时序的性质 – 实现的手段都是通过观察值序列的性质进行推断
满足下列条件的随机序列称为白噪声序列，也称 为纯随机序列：
注1：白噪声序列也是平稳时间序列中的特例. 注2：由于白噪声序列不同时刻的值相互独立，那么 这样的序列数值不能对于将来进行推断与预测，所以 白噪声是不能建立模型的。 时序图1.3符合白噪声序列特征
时间序列分析讲义
若满足时间序列满足: 称该时间序列是周期为T的时间序列.
时间序列平稳性分析(课件)
时间序列平稳性分析(课件)时间序列平稳性分析文章结构•时间序列的概念•平稳性检验•纯随机性检验•spss的具体操作1.1时间序列分析的概念•时间序列是一个按时间的次序排列起来的随机数据集合。
而时间序列分析是概率论与数理统计学科的一个重要分支，它以概率统计学为理论基础来分析随机数据序列（或称为动态数据序列）并对其建立相应的数学模型，即对模型定阶，进行参数估计，进一步将用于预测。
在对时间序列进行分析的时候我们的前提任务是如何进行的呢？2.1平稳性检验•••••特征统计量平稳时间序列的定义平稳时间序列的统计性质平稳时间序列的意义平稳性检验概率分布•概率分布的意义随机变量族的统计性质完全由它们的联合分布函数或联合密度函数决定•时间序列概率分布族的定义{ }Ft1,t2,...,tm(x1,x2,...,xm)m(1,2,...,m),t1,2,...,T•实际应用局限性概率分布•概率分布的意义随机变量族的统计性质完全由它们的联合分布函数或联合密度函数决定•时间序列概率分布族的定义{ }Ft1,t2,...,tm(x1,x2,...,xm)m(1,2,...,m),t1,2,...,T•实际应用局限性特征统计量•均值t EXt•方差Var(Xt)E(Xt t)xdFt(x)2(x t)dFt(x)•协方差•自相关系数(t,s)E(Xt t)(XS)S(t,s)(t,s)DXt DXs平稳时间序列的定义•严平稳严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随时间的推移而发生变化时，该序列才能被认为平稳•宽平稳宽平稳是使用序列的特征统计量来定义的一种平稳性。
它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。
•满足如下条件的序列称为严平稳序列正整数m，t1,t1,...,tm T,正整数t,有Ft1,t2,...,tm（x1,x2,...,xm）Ft1t,t2t,...,•满足如下条件的序列称为宽平稳序列1)EXt,t T2)EXt,为常数，t T2tmt（x1,x2,...,x3)（t,s）（k,k s t）,t,s,k且k s t T•常数性质•自协方差函数和自相关函数只依赖于时间的平移长度而与时间的起止点无关1）延迟k自协方差函数（k）（t,t k）,k为整数2）延迟k自相关系数k（k）（0）自相关系数的性质••••规范性对称性非负定性非唯一性平稳性的检验•时序图检验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、无明显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、无明显趋势及周期特征•自相关图检验平稳序列通常具有短期相关性。
时间序列分析中的平稳性与非平稳性
时间序列分析中的平稳性与非平稳性时间序列分析是一种用来研究时间数据的统计方法，它可以揭示出时间序列数据的模式和趋势，并预测未来的发展。
在进行时间序列分析时，我们经常会遇到平稳性和非平稳性的问题，本文将重点讨论这两个概念及其在时间序列分析中的重要性。
1. 什么是平稳性？平稳性是指时间序列在统计特性上具有不变性，即其均值和方差不随时间的推移而发生改变。
具体而言，平稳时间序列的均值在时间维度上是稳定的，方差也不会随时间变化而增加或减小。
此外，平稳时间序列的自协方差只与时间间隔有关，而与特定时间点无关。
2. 平稳性的判断方法为了判断一个时间序列是否具有平稳性，我们可以使用一些统计检验方法。
常见的方法有ADF检验（Augmented Dickey-Fuller test）、KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin test）等。
ADF检验通常用于检验平稳性，其原假设是时间序列具有单位根（非平稳），如果检验结果拒绝了原假设，则可以得出时间序列是平稳的结论。
3. 非平稳性的表现形式非平稳性的时间序列可能会呈现出明显的趋势、季节性或周期性变化。
趋势是时间序列长期的、持续的上升或下降，季节性是指时间序列在特定时间点上出现的周期性波动，周期性是指时间序列存在长期的、不规则的上升或下降。
4. 非平稳性的处理方法如果时间序列是非平稳的，我们需要对其进行处理，以使其具备平稳性。
常见的处理方法有差分法、对数变换等。
差分法可以通过计算相邻时间点的差值来消除趋势和季节性，对数变换则可以通过对时间序列取对数来减少其波动性。
5. 平稳性的重要性平稳性在时间序列分析中非常重要，具有以下几个方面的意义： - 简化模型：平稳时间序列的统计特性稳定，可以简化模型的建立和预测。
- 降低误差：平稳时间序列的随机误差具有恒定的方差，使得模型的预测更准确。
- 提高可靠性：基于平稳时间序列建立的模型具有更好的可靠性和稳定性，可以更好地应对未来的变化。
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
t Pp t tt tt x B x x B x Bx x===---221第3章 平稳时刻序列分析一个序列通过预处理被识不为平稳非白噪声序列，那就讲明该序列是一个蕴含着相关信息的平稳序列。
3.1方法性工具 3.1.1差分运算 一、p 阶差分记t x ∇为t x 的1阶差分：1--=∇t t t x x x记t x 2∇为t x 的2阶差分：21122---+-=∇-∇=∇t t t t t t x x x x x x以此类推：记t p x ∇为t x 的p 阶差分：111---∇-∇=∇t p t p t p x x x 二、k 步差分记t k x ∇为t x 的k 步差分：k t t t k x x x --=∇3.1.2延迟算子 一、定义延迟算子相当与一个时刻指针，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刻向过往拨了一个时刻。
记B 为延迟算子，有 延迟算子的性质：1.10=B 2.假设c 为任一常数，有1)()(-⋅=⋅=⋅t t t x c x B c x c B3.对任意俩个序列{t x }和{t y }，有11)(--±=±t t t t y x y x B 4.n t t n x x B -= 5.)!(!!,)1()1(0i n i n C B C B i n i i n ni i n-=-=-∑=其中二、用延迟算子表示差分运算 1、p 阶差分 2、k 步差分3.2ARMA 模型的性质 3.2.1AR 模型定义具有如下结构的模型称为p 阶自回回模型，简记为AR(p):ts Ex t s E Var E x x x x t s t s t t p tp t p t t t ∀=≠===≠+++++=---,0,0)(,)(,0)(,0222110εεεσεεφεφφφφε(3.4)AR(p)模型有三个限制条件：条件一：0≠p φ。
那个限制条件保证了模型的最高阶数为p 。
chap 3 平稳时间序列分析
32
方差
平稳AR模型的传递形式
xt G j t j
j 0
两边求方差得
2 Var( xt ) G 2 j , G j为Green函数 j 0
33
例3.2:求平稳AR(1)模型的方差
平稳AR(1)模型的传递形式为
t i xt (1B)i t 1 t i 1 1B i 0 i 0
12
AR(P)序列中心化变换
称 { yt }为 {xt } 的中心化序列 ，令
0
1 1 p
yt xt
13
自回归系数多项式
引进延迟算子，中心化 AR( p) 模型又可 以简记为
( B) xt t
自回归系数多项式(特征多项式)
(B) 1 1 B 2 B p B
zt r t (c1eit c2eit ) c3t3 c ptp
16
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
zt a1 zt1 a2 zt2 a p zt p h(t )
11
AR(p)
具有如下结构的模型称为 p 阶自回归模 型，简记为 AR( p) xt 0 1 xt 1 2 xt 2 p xt p t
p 0 2 E ( t ) 0，Var( t ) , E ( t s ) 0, s t Ex 0, s t s t 特别当 0 0 时，称为中心化 AR( p) 模型
37
自相关系数
平稳时间序列分析
t Pp t tt t t x B x x B x Bxx ===---M221第3章 平稳时间序列分析一个序列经过预处理被识别为平稳非白噪声序列，那就说明该序列是一个蕴含着相关信息的平稳序列。
方法性工具 差分运算 一、p 阶差分记t x ∇为t x 的1阶差分：1--=∇t t t x x x 记t x 2∇为t x 的2阶差分：21122---+-=∇-∇=∇t t t t t t x x x x x x以此类推：记t px ∇为t x 的p 阶差分：111---∇-∇=∇t p t p t p x x x二、k 步差分记t k x ∇为t x 的k 步差分：k t t t k x x x --=∇ 延迟算子 一、定义延迟算子相当与一个时间指针，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，有延迟算子的性质：1.10=B2.若c 为任一常数，有1)()(-⋅=⋅=⋅t t t x c x B c x c B3.对任意俩个序列{t x }和{t y }，有11)(--±=±t t t t y x y x B4.n t t nx x B-=5.)!(!!,)1()1(0i n i n CB C B i niinni in-=-=-∑=其中二、用延迟算子表示差分运算 1、p 阶差分 2、k 步差分ARMA 模型的性质 AR 模型定义 具有如下结构的模型称为p 阶自回归模型，简记为AR(p):ts Ex t s E Var E x x x x t s t s t t p tp t p t t t πΛ∀=≠===≠+++++=---,0,0)(,)(,0)(,0222110εεεσεεφεφφφφεAR(p)模型有三个限制条件： 条件一：0≠pφ。
这个限制条件保证了模型的最高阶数为p 。
条件二：t s E Var E t s t t ≠===,0)(,)(,0)(2εεσεεε。
《平稳时间序列》课件
欢迎来到《平稳时间序列》PPT课件！在这个课程中，我们将深入研究平稳 时间序列的定义、检验和应用，以及常见的模型和实操演练。
定义
平稳性
均值、方差和协方差都不随时间变化而变化。
检验
1 观察法
通过观察时间序列的趋势和波动性来判断是否平稳。
2 自相关Leabharlann 与偏自相关图通过绘制自相关图和偏自相关图来辅助平稳性检验。
常见模型
AR模型
自回归模型，使用过去的观测值来预测未来值。
MA模型
移动平均模型，使用过去滞后项的线性组合来预测 未来值。
ARMA模型
自回归移动平均模型，结合AR和MA模型的特点， 用于拟合时间序列。
ARIMA模型
差分自回归移动平均模型，用于拟合非平稳时间序 列。
实操演练
1
Python实现平稳性检验
3 单位根检验
使用单位根检验方法（如ADF检验）来检验时间序列的平稳性。
应用
时间序列预测
利用平稳时间序列的特性，进 行未来数值的预测和预测不确 定性的评估。
时间序列建模
根据平稳时间序列的规律性， 构建数学模型来解释和预测时 间序列的行为。
数据挖掘
利用时间序列的历史数据，发 现其中的规律和趋势，为决策 提供依据。
使用Python中的统计库，通过ADF检验方法来检验时间序列的平稳性。
2
R实现时间序列预测
利用R语言中的时间序列分析包，对平稳时间序列进行预测和评估。
3
MATLAB实现时间序列建模
利用MATLAB中的时间序列工具箱，构建平稳时间序列的数学模型。
时间序列分析--第三章平稳时间序列分析
2019/9/23
课件
25
Green函数递推公式
原理 xt( BG )x(tB )tt (B)G(B)t t
方法
待定系数法
递推公式
2019/9/23
G G0j 1k j1kGjk， j1,2, ,其中 k 0k ,k ,kpp
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 z t
zt ztzt
2019/9/23
课件
10
3.2 ARMA模型的性质
AR模型（Auto Regression Model） MA模型（Moving Average Model） ARMA模型（Auto Regression Moving
2019/9/23
课件
38
例3.5:— (4 )x t x t 1 0 .5 x t 2t
自相关系数不规则衰减
2019/9/23
课件
39
偏自相关系数
定义
对于平稳AR(p)序列，所谓滞后k偏自相关系数就 是指在给定中间k-1个随机变量 的 xt1,xt2, ,xtk1 条件下，或者说，在剔除了中间k-1个随机变 量的干扰之后， x 对 tk x影t 响的相关度量。用数 学语言描述就是
2019/9/23
课件
29
例3.3:求平稳AR(1)模型的协方差
递推公式
k 1k11k0
平稳AR(1)模型的方差为
0
2
1 12
协方差函数的递推公式为
k
1k
2 112
,k1
2019/9/23
课件
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。
《平稳时间序列》课件
通过分析股票市场的波动数据，平稳时间序列方法可以帮助预测未 来市场的波动情况，有助于投资者制定风险管理策略。
行业趋势
通过对不同行业股票数据的平稳时间序列分析，可以预测未来行业 的发展趋势，有助于投资者进行行业配置和投资决策。
06
时间序列分析软件介绍
EViews软件介绍
适用范围
EViews是专门用于时间序列分析的软件，广泛应用于经济学、金 融学等领域。
降水预测
通过对历史降水数据的分析，平稳时间序列方法可以帮助 预测未来降水情况，有助于农业生产和灾害防范。
极端天气事件
通过分析极端天气事件的历史数据，平稳时间序列模型可 以预测未来极端天气事件的频率和强度，有助于防范自然 灾害。
股票市场预测
股票价格
利用历史股票价格数据，平稳时间序列模型可以预测未来股票价 格的走势，有助于投资者制定投资策略和风险控制。
列。
Holt's线性指数平滑
02
结合了趋势和季节性因素，适用于具有线性趋势和季节性变化
的时间序列。
Holt-Winters指数平滑
03
适用于具有非线性趋势和季节性变化的时间序列，能更好地捕
捉数据的季节性变化。
季节性自回归积分滑动平均模型(SARIMA)预测
01
SARIMA模型
结合了季节性和非季节性因素，适用于具有季节性和非季节性变化的时
04
平稳时间序列的预测
线性预测
线性回归模型
通过建立自变量与因变量之间的线性关系，预测时间序列的未来 值。
线性趋势模型
适用于具有线性趋势的时间序列，通过拟合线性方程来预测未来 趋势。
简单移动平均模型
对时间序列进行移动平均处理，根据历史数据预测未来值。
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-1
Φ ( B ) xt = ε t
4、AR模型平稳性判别 、 模型 模型平稳性判别 判别原因 AR模型虽是常用的平稳序列的拟合模型之 模型虽是常用的平稳序列的拟合模型之 一，但并非所有的AR模型都是平稳的 但并非所有的AR模型都是平稳的 判别方法，除时序图及自相关图法外， 判别方法，除时序图及自相关图法外，还有 特征根判别法 特征根判别法 平稳域判别法 平稳域判别法
z t + a1 z t −1 + a 2 z t − 2 + L + a p z t − p = h(t )
齐次线性差分方程
z t + a1 z t −1 + a 2 z t − 2 + L + a p z t − p = 0
齐次线性差分方程的解
z t + a1 z t −1 + a 2 z t − 2 + L + a p z t − p = 0
1+ 3 2
1− 3 λ2 = 2
φ2 = 0.5, φ2 + φ1 = 1.5, φ2 − φ1 = −0.5
作业
P98 习题三 3、4 、 实验1理论（sas简介及数据集创建） 简介及数据集创建） 实验 理论（ 理论 简介及数据集创建
延迟算子的性质： 延迟算子的性质：
B0 = 1
B (c ⋅ xt ) = c ⋅ B( xt ) = c ⋅ xt −1 , c为任意常数
B ( xt ± y t ) = xt −1 ± y t −1
B n xt = xt − n
i (1 − B ) = ∑ ( −1) n C n B i， n i =0 n
则变换y 称为中心化变换 则变换 t=xt-µ称为中心化变换。 称为
第3章平稳时间序列分析
时间序列分析
(1) X t = X t −1 − 0.5 X t − 2 + at
• 自相关函数呈现出“伪周期”性
• 理论偏自相关函数
⎧2 ,k =1 ⎪3 ⎪ φkk = ⎨−0.5 , k = 2 ⎪0 ,k ≥ 3 ⎪ ⎩
• 样本偏自相关图
时间序列分析
(2) X t = − X t −1 − 0.5 X t − 2 + at
由于格林函数描述了系统的动态性，那么在随 机扰动序列已知的情况下，格林函数就完全 能够确定系统的行为，从而根据已知的扰动 序列和格林函数便可确定系统的响应 拟合AR(p)模型的过程也就是使相关序列独立 化的过程.
时间序列分析
• 平稳性的Green函数判别法
欲使序列平稳，则格林函数应满足
当j → ∞时，有G j → 0
ρ k 减小，且以指数速度减小，越来越与0接近，
这种现象称为拖尾.
时间序列分析
4、AR(1)的PACF （1） PACF的求解
AR (1)的 PACF 按照 PACF的递推公式有：
ρ 2 − ρ1φ11 φ12 − φ12 φ11 = ρ1； φ 22 = = =0 2 1 − ρ1φ11 1 − φ1 φ21 = φ11 − φ 22φ11 = φ1 ρ 3 − ρ 2φ 21 − ρ1φ 22 φ13 − φ12φ1 − 0 = =0 φ33 = 2 1 − ρ1φ 21 − ρ 2φ 22 1 − φ1 − 0
时间序列分析
（三）AR(1)的统计特征
1、 AR(1)的方差：
• 平稳AR(1)模型的传递形式为
∞ ∞ at i Xt = = ∑ (φ1 B) at = ∑ φ1i at −i 1 − φ1 B i =0 i =0
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。
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)。
推导出
1 1
0 p
方差
Green函数
方差
AR(1)模型的Green函数 和方差
Green函数定义
AR模型的传递形式
xt
t
(B)
p i 1
p 0
E(
t
)
0，Var(
t
)
2
,
E(
t
s
)
0,
s
t
Exs
t
0, s
t
特别当0=0时，称为中心化AR(p)模型
AR(p)序列中心化变换
称{yt}为{xt}的中心化序列 ，令
0
1 1 p
yt xt
自回归系数多项式
引进延迟算子，中心化AR(p)模型又 可以简记为
(B)xt t
平稳域判别
平稳域 {1,2, ,p 特征根都在单位圆内}
AR(1)模型平稳条件
AR(1)模型 特征方程 特征根 平稳域
xt 1xt1 t
1 0
1
1 1
AR(2)模型平稳条件
AR(2)模型
平稳域
xt 1xt1 2 xt2 t
特征方程
2 1 2 0
特征根
1 1
(2)xt 1.1xt1 t
(4)xt xt1 0.5xt1 t
判别方法
特征根判别 平稳域判别 AR(1)模型平稳条件 AR(2)模型平稳条件
特征根判别
AR(p)模型平稳的充要条件是它的 p个特征根都在单位圆内
根据特征根和自回归系数多项式 的根成倒数的性质，等价判别条 件是该模型的自回归系数多项式 的根都在单位圆外
3.2.1 AR模型
AR模型的定义 AR模型平稳性判别 平稳AR模型的统计性质
AR模型的定义
AR(p)的定义 AR(p)的中心化变换 自回归系数多项式 AR(p)的特征方程 特征方程与系数多项式
AR(p)的定义
具有如下结构的模型称为p阶自回归模型， 简记为AR(p)
xt 0 1 xt1 2 xt2 p xt p t
第三章
平稳时间序列分析
本章结构
方法性工具 ARMA模型的性质 平稳序列建模 序列预测 练习与补充
3.1 方法性工具
差分运算 延迟算子 线性差分方程
差分运算
一阶差分 p阶差分 k步差分
xt xt xt1
p xt
x p1 t
p1 xt1
k xt xt xtk
延迟算子
B(xt yt ) xt1 yt1 B n xt xtn
n
(1 B)n
(1)
n
C
i n
B
i
i0
用延迟算子表示差分运算
p阶差分
p
p xt (1 B) p xt
(1)
p
C
i p
xt
i
i0
k步差分
k xt xt xtk (1 Bk ) xt
线性差分方程
线性差分方程
(1) xt 0.8 xt1 t (2) xt 1.1xt1 t (3) xt xt1 0.5 xt2 t (4) xt xt1 0.5 xt1 t
例3.1平稳序列时序图
(1)xt 0.8xt1 t
(3)xt xt1 0.5xt2 t
例3.1非平稳序列时序图
延迟算子的定义 延迟算子的性质 用延迟算子表示差分运算
延迟算子的定义
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
xtp B p xt ,p 1
延迟算子的性质
B0 1
B(c xt ) c B(xt ) c xt1, c为任意常数
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
zt zt zt
3.2 ARMA模型的性质
AR模型（Auto Regression Model）
MA模型（Moving Average Model）
ARMA模型（Auto Regression Moving Average model）
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
齐次线性差分方程的通解
不相等实数根场合
结 论
平稳
非 平稳
平稳
非 平稳
平稳AR模型的统计性质
均值 方差 协方差 自相关系数 偏自相关系数
均值
如果AR(p)模型满足平稳性条件，则有
Ext E(0 1xt1 p xt p t ) 根据平稳序列均值为常数，且{ t }为白噪声序
列，有
Ext , E(t ) 0 ,t T
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
也称为AR(p)模型的特征方程
的根与系数多项式
(u) 11u 2u2 pup
的零点根互为倒数
AR模型平稳性判别
判别原因 判别方法
判别原因
AR模型是常用的平稳序列的拟 合模型之一，但并非所有的AR 模型都是平稳的
例如
例3.1:考察如下四个模型的平稳性
zt c11t c2t2 cptp
有相等实根场合
zt
(c1
c2t cd t d1)1t
cd
t
1 d
1
cptp
复根场合
zt
rt (c1eit
c2eit
) c3t3
c
t
pp
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’’
zt a1 zt1 a2 zt2 a p zt p h(t)
12 42
2
2 1
12 42
2
{1,2 2 1，且2 1 1}
例3.1平稳性判别
模 型
特征根判别
(1)
1 0.8
(2)
1 1.1
(3)
1
1 2
i
2
1i 2
(4)
1
1 2
3
2
1 2
3
平稳域判别 0.8 1.1
2 0.5,2 1 0.5,2 1 1.5 2 0.5,2 1 1.5,2 1 0.5