【ARMA时间序列分析】ARMA时间序列分析【含Matlab源码 2430期】

最新推荐文章于 2024-05-14 21:49:33 发布

Matlab武动乾坤

最新推荐文章于 2024-05-14 21:49:33 发布

阅读量423

点赞数

分类专栏： Matlab神经网络预测与分类（中级版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134299684

版权

Matlab神经网络预测与分类（中级版）专栏收录该内容

283 篇文章 6 订阅

订阅专栏

⛄一、运行结果

在这里插入图片描述

⛄二、ARMA模型

1 ARMA模型介绍及应用
对于平稳时间序列，自回归移动平均(ARMA)模型可用于研究时间经济变量的变化规律，ARMA(p,q)模型包括一个自回归过程AR§和一个移动平均MA(q)过程，其形式如下：
在这里插入图片描述
式(1)中：p,q分别表示滞后的阶数；u1是白噪声序列。

2 ARMA模型的背景知识介绍
ARMA在文献研究中被广泛应用于对时间序列的分析预测，由于大多数经济金融数据满足时间序列的特征，因此该模型尤其适用于研究经济学问题，是拟合满足平稳性约束的时间序列最经典的模型。ARMA 模型是由 AR 自回归过程和 MA 移动平均过程组成的自回归移动平均模型，其基本思想是通过揭示历史时间序列的运行规律，对未来的事物发展进行预测。

在 ARMA(p,q)模型的参数中，p代表自回归部分的滞后阶数，q代表移动平均部分的滞后阶数。通常ARMA(p,q)模型的形式可以表示为：
在这里插入图片描述
其中，{εt}是白噪声序列。AR模型和MA模型都是特殊的ARMA(p,q)模型。当p取值为0时，ARMA(0,q)代表的本质含义就是MA(q);当q取值为0时，ARMA(p,0)代表的本质含义就是AR§。但是，如果所要研究的时间序列数据不满足平稳条件的限制，此时便要通过d阶差分等方法使其满足平稳条件的约束，之后才能对此序列进行分析与研究。

3 ARMA模型建模步骤
若要深入分析该时间序列数据，首先要确定该时间序列是否满足平稳性条件的约束，因为对于满足平稳性要求的时间序列与不满足平稳性要求的时间序列，所要使用的分析工具是不一样的，本文利用ARMA模型所针对的时间序列必须满足平稳性要求。对于给定的时间序列进行ARMA模型建模，通常步骤如下：

3.1 平稳性检验。
对原序列进行平稳性检验，如果序列不满足平稳性条件，可以通过差分变换或者其他变换方法使该序列满足时间序列平稳性条件的要求。

3.2 模型的定阶。
利用软件计算可以得到描述序列特征的统计量(如自相关系数与偏自相关系数等),之后再通过信息准则等方法确定ARMA模型的滞后阶数p和q。

3.3 参数的估计与检验。
确定好最优模型形式后，通过使用EViews等统计软件进行非线性最小二乘法或极大似然估计法估计计算模型所含有的未知参数，并检验模型参数的t统计量是否满足临界值的标准，以及模型本身的合理性。

3.4 模型的检验。
检验所构建模型的残差序列是否是白噪声序列，可用检验序列相关的方法检验残差序列的纯随机性，或者观察残差序列的自相关图以及偏自相关图。

3.5 模型的预测。
利用经过以上步骤拟合出来的模型预测该时间序列在未来的趋势走向。

⛄三、部分源代码

clc;
d1=importdata(‘海浪数据1.txt’);
d2=importdata(‘海浪数据2.txt’);
data1=d1.data;
data2=d2.data;
x1=data1(:,1)‘;
y1=data1(:,2)’;
x2=data2(:,1)‘;
y2=data2(:,2)’;
%画原始波形
figure(1);
subplot(211)
plot(y1(1:300));
title(‘原始强烈海浪波形’)
xlabel(‘t’);
ylabel(‘strong heave’);
grid;
subplot(212)
plot(y2(1:300));
title(‘原始平缓海浪波形’)
xlabel(‘t’);
ylabel(‘smoot heave’);
grid;