时间序列分析基于r期末考试,时间序列分析选择题

  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。

相关文章阅读

  • ,,Python中利用LSTM模型进行时间序列预测分析的实现
  • 时间序列adf检验怎么判断平稳性,
  • python时间序列模型,python时间序列预测代码
  • 用python实现ARIMA时间序列预测实例,python时间序列预测的方法
  • python时间序列分析模块,用python实现ARIMA时间序列预测实例
  • 时间序列模型用于哪种预测,时间序列预测模型实验报告
  • 时间序列分析难不难,时间序列分析问题
  • python最简单的时间序列预测,python 时间序列模型
  • 基于lstm的时间序列预测,基于cnn的时间序列预测模型
  • Eviews时间序列模型,时间序列回归模型步骤
  • 时间序列预测的基本前提,简述常用的几种时间序列预测方法
  • 时间序列的多元线性回归模型,时间序列的经典线性回归模型的基本假定是什么
  • adf检验 python,如果时间序列zt经过adf检验
  • stata时间序列数据处理,时间序列数据怎么用stata做回归分析
  • 时间序列分析及其应用-基于R语言实例(原书第4版),时间序列分析r语言答案
  • 留言与评论(共有 条评论)
       
    验证码: