时间序列分析基于r期末考试,时间序列分析选择题
【目标数据】
ARMA:用于弱平稳/宽平稳时间序列分析
ARIMA:非平稳和非周期时间序列的分析
SARIMA:非平稳周期性时间序列分析。
【自协方差与自相关系数】
时间序列在T时刻记为Xt,在S时刻记为Xs,那么这两个时刻对应的时间序列的自协方差的计算公式为:
假设时间间隔t-s=k,并且假设时间序列的平均值是常数U,那么上面的公式可以写成
自相关系数的表达式为:
如果方差是常数,上述公式可以写成:
【平稳性】
满足以下三个条件就是宽平稳:
1)平均值是常数。
2)自协方差只与时差有关,与具体时间无关。
3)自相关系数只与时差有关,与具体时间无关。或者方差是常数。
非平稳时间序列可以通过差分转化为平稳时间序列。
【平稳性检验】
ADF检验(单位根检验):
单位根检验是指检查序列中是否存在单位根。如果有单位根,则表示非平稳时间序列。
Python的stats models . TSA . stat tools . ad fuller提供了单位根测试方法。
【滞后算子表示法】
在时间序列中,一些以前的值通常用L或B表示,假设时间序列为:
那么对于t1:
或者
或者
或者
和
【ARMA】
自回归移动平均模型自回归移动平均
包括过去值的p阶回归和过去误差误差的q阶移动平均。
如果用AR(p)来描述,公式可以写成:
这是高斯白噪声。
由马(q)描述,公式为:
是的平均值(通常假设等于0),是白噪声。
AR和MA的组合可以表示为:
忽略常数项C,将X移到等号左边,用滞后运算符表示:
Gxdxxm说:
或者
其中包括:
【ARIMA】
自回归综合移动平均
对于非平稳、非周期时间序列,可以通过差分运算将其转化为平稳时间序列。差分是指从当前时间的值中减去前一时间的值,得到的时间序列可以继续微分。例如,在执行了总共D阶差分运算之后,它被称为D阶差分。因此,基于ARMA的D阶差分运算后的ARIMA公式如下:
【SARIMA】
周期时间序列可以作为ARIMA的扩展。所以首先需要去除周期性。消除它的方法是每隔一段时间做一次ARIMA。这时可以得到一个非平稳非周期的时间序列,然后再用ARIMA进行分析。可以表示为:
ARIMA(p,D,q) (P,D,Q)S,其中每个参数的含义是:
P:周期自回归阶.D:周期差阶.Q:周期移动平均阶.S:周期时间间隔。p、d和q的含义与上述ARIMA中的含义相同。
例如:对于周期为12的非平稳时间序列,那么ARIMA(3,1,0) x (2,1,0)12的含义为:
D=1表示当前时间T的值和过去周期的时间点t-12之间的一阶差,
P=2意味着当前时间T的值是过去两个循环时间点t-12和t-24的回归。
对处理后得到的时间序列进行ARIMA(3,1,0)分析。
参考:
https://en . Wikipedia . org/wiki/auto regressive移动平均模型
https://en . Wikipedia . org/wiki/Autoregressive _ integrated _ moving _ average
https://en.wikipedia.org/wiki/Lag_operator
https://machinelearningmastery . com/sarima-for-time-series-forecasting-in-python/
郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。