SAS EM(六)时间序列理论
大家以前会听说过AR模型、MA模型、ARMA模型、ARIMA模型,这些到底是什么呢?今天来简易讲解一下,顺便用sas实操一下,由于本文是基于自己学习的归纳总结,若有讲得不对的地方,也希望读者指出,会及时修改。
时间序列背景
首先以往的回归模型只能描述出长期的发展趋势,对于局部的循环变动是无法描述的,比如回归就不能解决自回归的情况,自回归指的就是这一时间取值取决前一段时间某些值。很明显我们需要特定的模型来更好的预测及描述这种周期性及自回归的情况,可以看下图使用回归模型来预测是不太好的。
时间序列模型组成
上面说了我们需要一个模型来模拟这种情况,那这个模型应该有哪些因素组成呢
- 长期趋势(T)
- 季节变动(S)
- 循环变动(C)
- 不规则变动(I)
其中季节变动(S)及循环变动(C)时间周期长短有差别,循环变动周期较长,而且有时周期也不固定
我们常考虑两种模型
加法模型(常用):Y=T+S+C+I(四种元素相互独立),一般使用它的时候,整个流程图大概如下
乘法模型:Y=T*S*C*I(元素间并非相互独立,影响会放大或缩小)
常用的时间序列模型及应用前提
一般时间序列模型我们平常只要应用得最多就是平稳时间序列模型,对于平稳时间序列在数学上有比较丰富的处理手段,非平稳的时间序列通过差分等手段转化为平稳时间序列处理。