[时间序列分析][4]--AR模型,MA模型,ARMA模型介绍

自相关和偏自相关的两个函数代码

由于后面会经常画一组序列自相关和偏自相关的图像，所以就把自己写的这个两个画图的函数的代码贴上，供大家参考。

• 首先是自相关的函数
  输入的三个参数分别是{数据，滞后数，置信度}

pacf[data_, lmax_, clev_: 0.95] := 
  Show[ListPlot[CorrelationFunction[data, {lmax}], Filling -> Axis, 
    PlotRange -> {
   {0, lmax}, {-1.5, 1.5}}, 
    PlotStyle -> PointSize[Medium], PlotLabel -> "自相关图", 
    FillingStyle -> Directive[Thickness[.01], Green, Dashed]],
   Graphics[{Dashed, Line[{
   {0, #}, {lmax, #}}]}] & /@ (
    Quantile[NormalDistribution[], {(1 - clev)/2, 1 - (1 - clev)/2}]/
    Sqrt[Length[data]])];

• 接着是偏自相关的函数

papf[data_, lmax_, clev_: 0.95] := 
  Show[ListPlot[PartialCorrelationFunction[data, {lmax}], 
    Filling -> Axis, PlotRange -> {
   {0, lmax}, {-1.5, 1.5}}, 
    PlotStyle -> PointSize[Medium], PlotLabel -> "偏自相关图", 
    FillingStyle -> Directive[Thickness[.01], Green, Dashed]],
   Graphics[{Dashed, Line[{
   {0, #}, {lmax, #}}]}] & /@ (
    Quantile[NormalDistribution[], {(1 - clev)/2, 1 - (1 - clev)/2}]/
    Sqrt[Length[data]])];

AR模型

AR模型的定义

—————

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模型都是平稳的 。

判别方法
1. 单位根判别法
2. 平稳域判别法

关于这两种方法的证明挺长的，由于要是我们分析实际数据，是不必考虑这些的，关于平稳性只是从模型的角度去推的，所以我准备不讲这两个方法的推到，举几个平稳和不平稳的例子看一下。

第一个平稳的AR模型

这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。
x[1]=5,x[2]=3

Clear[x];
x[1] =