时间序列整理资料
- 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)。
考试题型:1.判断题(10分);2.计算题(5题,75分);3.分析题(1题15分)。 郑重声明:此资料仅供参考(还有标注为考点,只是我个人的观点,仅供参考)。
第2章时间序列的预处理
1. 计算序列的样本自相关系数。(考点)
1
()()()n k
t t k t x x x x k n k
γ---
+∧
=--=-∑(1)基于全体观察样本计算出来的延迟K 自协方差函数的估计值。 2
1
()(0)1
n
t
t x x
n γ-
∧
=-=
-∑(2)总体方差的估计值。
()(0)
k k γργ∧
∧
∧
≅ 0k n ∀<< 延迟K 自相关系数的估计值。 当延迟阶数K 远远小于样本容量n 时,
1
2
1
()()
0()
n k
t
t k t k n
t
t x x x x
k n x x ρ--
-
+∧
=-
=--≅
∀<<-∑∑
2. 平稳性的检验。
对序列的平稳性有两种检验方法,一种是根据时序图和自相关图显示的特征做出判断的图检验方法;一种是构造检验统计量进行假设检验的方法。
图检验方法:(1)时序图检验: 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。
(2)自相关图检验:平稳序列通常具有短期相关性。该性质用自相关系数来描
述就是随着延迟期数K 的增加,平稳序列的自相关系数k
ρ∧
会很快地衰减向零。反之,非平稳序列的自相关系数ρ衰减向零的速度通常比较慢,这就是我们利用自相关图进行平稳
性判断的标准。 3. 纯随机序列
首先并不是所有的平稳序列都值得建模,只有那些序列值之间具有密切的相关关系,历史数据对未来的发展有一定影响的序列,才值得我们花时间去挖掘历史数据中的有效信息,用来预测序列未来的发展。
纯随机序列:该序列值彼此之间没有任何相关性,也就是一个没有记忆的序列,过去的行为对将来的发展没有丝毫影响。我们称之为纯随机序列。也称为白躁声序列。 简记为:2
~(,)t WN x μσ。
4. 纯随机序列检验
(1)假设条件
由于序列值之间的变异是绝对的,而相关性是偶然的,所以假设条件如下: 原假设:延迟期数小于或等于m 期的序列值之间相互独立。 备择假设:延迟期数小于或等于m 期的序列值之间有相关性。
该假设条件用数学语言描述即为:
0,1012:m m p p p H ∀≥==⋅⋅⋅⋅== 0,1K m
1k :m p H ∀≥≤≠
,至少存在某个
(2)检验统计量
m
2
2
m k=1
Q=n ~k ρχ∧∑()
在大样本场合(n 很大的场合)检验效果好,在小样本场合就不太精确。 2
2m 1
(2)(
)~m
k
k LB n n n k
ρχ∧==+-∑()
(适合小样本场合) LB 统计量就是Q 统计量的修正,其中n 为序列观测期数;m 为指定延迟期数。
在各种检验场合普遍采用的Q 统计量通常指的都是LB 统计量。 当统计量大于m 2
χ()1-a
分位点,或该统计量的p 值小于a 时,则可以拒绝原假设,认为该
序列为非白噪声序列;否则,接受原假设,认为该序列为纯随机序列。
2.3习题
1. 考虑序列{1,2,3,4,5, ,20}
(1)判断该序列是否平稳
(2)计算该序列的样本自相关系数k
ρ∧
(k=1,2. ,6)(考点) (3)绘制该样本自相关图,并解释该图形。
解:(1)因为序列具有明显的趋势,所以序列非平稳。 (2)样本自相关系数:
∑∑=-=+---≅=n
t t
k
n t k t t
k x x
x x x x
k 1
2
1
)()
)(()
0()
(ˆγγρ
111
(12320)10.520
n t t x x n -
===
+++⋅⋅⋅⋅+=∑ =-=∑=2
201)(201)0(x x t t γ35 =--=+=∑))((191)1(1191x x x x t t t γ29.75
=--=+=∑))((181)2(2181x x x x t t t γ25.9167 =--=+=∑))((171)3(317
1
x x x x t t t γ21.75
γ(4)=17.25 γ(5)=12.4167 γ(6)=7.25
1ρ=0.85(0.85) 2ρ=0.7405(0.702) 3ρ=0.6214(0.556) 4ρ=0.4929(0.415) 5ρ=0.3548(0.280) 6ρ=0.2071(0.153)
注:括号内的结果为近似公式所计算。
(3)样本自相关图(已省略图):该图的自相关系数衰减为0的速度缓慢,可认为非平稳。
4. 若序列长度为100,前12个样本自相关系数如下:(考点)
1ρ=0.02 2ρ=0.05 3ρ=0.10 4ρ=-0.02 5ρ=0.05 6ρ=0.01
6ρ=0.01
0.127p =
0.068
ρ
=-
0.089
ρ= 0.0510
ρ
=- 0.0211
ρ
=
0.0512
ρ
=-
该序列能否视为纯随机序列?
解:∑=⎪⎪⎭
⎫
⎝⎛-+=m
k k k
n n n LB 12
ˆ)2(ρ
LB(6)=1.6747,LB(12)=4.9895 205.0χ(6)=12.59 205.0χ(12)=21.0 (此时的分位值是从右边看的)
显然,LB 统计量小于对应的临界值,接受原假设,认为该序列为纯随机序列。
第3章平稳时间序列分析
1. 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。ARMA 模型是目前最常用的平稳序列拟合模型。
2.
了解P 阶差分、K 步差分、延迟算子、还有用延迟算子表示差分运算。(42页) 用延迟算子表示差分运算:
(1)p 阶差分:0
(1)(1)p
p
p
i i
t t p t i i x B x C x -=∇
=-=
-∑ (2)K 步差分:(1)k k
t t t k t
x x x B x -∇=-=-
3. ARMA 模型的全称是自回归移动平均模型,它是目前最常用的拟合平稳序列的模型。
它又可以细分为AR (自回归)模型、MA (移动平均)模型、ARMA 模型。
4.
具有如下结构的模型称为P 阶自回归模型,简记为AR (P ):(45页)
01122t t t p t p t x x x x φφφφε---=+++⋅⋅⋅⋅++ (3.5)
当0φ=0时,自回归模型又称为中心化AR (p )模型。
非中心化AR (p )序列都可以通过下面的变换转化为中心化AR (p )系列。 令:0
121p
φφφφμ=
---⋅⋅⋅- t t y x =-μ 则{}t y 为{}t x 的中心化序列。
引进延迟算子,中心化AR (p )模型又可以简记为:()t t B x εΦ=式中,
212()1p p B B B B φφφΦ=---⋅⋅⋅⋅-,称为P 阶自回归系数多项式。
还有模型的均值与方差(49页)
5. AR 模型平稳性判别: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