用特征根判别法判断AR模型的平稳性，再用随机模拟的方法来验证以及做自相关分析

最新推荐文章于 2024-08-01 15:00:00 发布
最新推荐文章于 2024-08-01 15:00:00 发布
阅读量1.1w 收藏 21
点赞数 3
分类专栏： SPSS 文章标签： spss AR模型 自相关分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/My_daily_life/article/details/121282370
版权
本文通过特征根判别法和随机模拟方法，探讨时间序列模型的平稳性。首先，利用SPSS进行特征根计算，以判断模型是否平稳。接着，使用Excel生成序列数，并在SPSS中模拟AR模型，生成非平稳和平稳序列图，结合自相关分析验证序列特性。最终得出结论，示例模型分别属于非平稳非白噪声序列和平稳非白噪声序列，强调了拖尾性和时间序列分析的重要性。
摘要由CSDN通过智能技术生成

       下面将用这两个栗子来讲解本文的内容，将用到的软件：SPSS、EXCEL
在这里插入图片描述

一、我们先用特征根判别法判断模型的平稳性。

特征根判别法呢，最主要的就是写出模型的差分方程，然后求出其特征根，若其特征根在单位圆内，则该模型就是平稳的
解题如下：
在这里插入图片描述

二、用随机模拟的方法来验证

1）

①在excel中生成100个序列数

在这里插入图片描述

②将这100个序列数导入spss中

在这里插入图片描述

③点击【转换】【计算变量】

在这里插入图片描述

④输入数字表达式RV.NORMAL(0,1)，点击确定，产生白噪声et

在这里插入图片描述

在这里插入图片描述

⑤将et列数据复制粘贴到excel，然后计算AR模型随机数，的初始值不妨都设为1

先计算出第一个AR模型随机数，如图
在这里插入图片描述

然后计算出第二个随机数
在这里插入图片描述

再计算出第三个随机数
在这里插入图片描述

下拉填充至100行，即可产生100个AR模型随机数
在这里插入图片描述

⑥将这100个随机数导入spss

在这里插入图片描述

⑦点击【分析】【时间序列预测】【序列图】

在这里插入图片描述

⑧做出xt的序列图

在这里插入图片描述

在这里插入图片描述

由序列图可知，该模型是非平稳的

⑨做自相关性分析，点击【分析】【时间序列预测】【自相关】

在这里插入图片描述

这里我选择用巴特利特近似来做
在这里插入图片描述

得到结果如图：
在这里插入图片描述

由自相关结果可知，各项p值都很小，p值越小越拒绝，所以该序列是非白噪声，且具有拖尾性
综上所述，可知该模型是不平稳的非白噪声序列。

2）同理，可作出序列图和自相关性分析结果：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

可知该模型为平稳的非白噪声序列，且具有拖尾性

拾清心
关注
  • 3
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
时间序列与R语言应用(part4)--自回归AR模型及其平稳性条件
小山羊的学习日志
04-12 1万+
参考书目：《计量经济学》、《时间序列分析及应用R语言》、《计量经济学基础》、《计量经济学模型与R语言应用》 文章目录为什么平稳如此重要自回归AR模型一阶自回归过程二阶自回归过程一般自回归过程R语言实现 为什么平稳如此重要 我们知道若随机时间序列XtX_tXt​有如下性质： ①均值E(Xt)=μE(X_{t})=\muE(Xt​)=μ ,均值是与时间ttt无关的常数 ②方差Var(Xt......
基于时间序列分析方法的零售业快消品销量预测研究
曾以琴@
05-20 2万+
前言我国快消品市场空间大。根据数据，2016 年我国包含包装食品、含酒精饮料、软饮料、日化品在内的快消品零售额为 3.2 万亿元，同比增长 5.1%，市场空间庞大。从流通渠道看，快消品的流通渠道总共可以分为三大类，一类是现代流通渠道，包括大卖场、超市、连锁便利店、品类专卖店；二是电商渠道；三是传统通路，即夫妻店，店主即店员，店面积大小不一，一般在 200 平米以内，主要销售食品饮料烟酒等商品。目前...
时间序列分析 #AR模型平稳性的判别
__forward--的博客
04-07 1383
1、理解AR模型的定义，能熟练写出AR模型的模型结构和特征方程的表达式； 2、掌握AR模型平稳性判别的三种方法，即图示法、特征根法和平稳域方法。
信号处理——自相关和互相关分析
最新发布
ynn4818172的博客
08-01 1041
上述案例是采用互相关函数，分析两个信号间的相关程度。通过人为设置第二个信号相对于第一个信号的延迟，利用互相关函数，确定潜在的延迟数，对比人为设置参考，验证了互相关函数分析信号间相关程度的可行性，其原理常用于故障源定位。此外，为了更好地理解互相关函数的计算原理，手动计算复现了互相关函数，对比matlab的自带函数，验证了手动计算的可行性。
ARMA模型的平稳性判别（续）
PY洋洋
03-08 9882
1.特征根判别法 AR(p)模型对应齐次方程特征根与回归系数多项式根的关系： 2.平稳域判别 （1）AR(1)(一阶)模型平稳域 （2）AR(2)(二阶)模型平稳域 3.举例 4.函数展开成幂级数——麦克劳林级数 小结
AR模型、单位根检验
ww596520206的博客
05-13 1876
import numpy as np from matplotlib import pyplot as plt from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.ar_model import AutoReg from statsmodels.stats.diagnostic import acorr_ljungbox as lb_test from statsmodels.tsa.stat.
【时间序列分析】平稳性检验及ARIMA模型
zhouhy0903的博客
10-03 2552
Augmented Dicky-Fuller test 用于检验序列平稳性 H0：时间序列可以表示成单位根过程，即非平稳 H1：时间序列是平稳的 from statsmodels.tsa.stattools import adfuller import numpy as np import matplotlib.pyplot as plt x=[np.random.randn()] for i in range(100): x.append(0.5*x[-1]+np.random.rand())
"地理加权模型：R-Shiny包的可视化交互式应用程序
≥软件X 20（2022）101250原始软件出版物...接收13二月2022收到修订版2022年9月16日接受2022年保留字：地理加权地理加权分析空间异质性地理加权回归地理加权主成分分析判别地理加权分析a b st ra ct本文
心电图深度学习分类方法：综述与应用（2020）
专家系统与应用：X 7（2020）100033审查用于心电图心律失常分类的深度学习方法综述Zahra Ebrahimia， Mohammad Lonib， Masoud Daneshtalabb， Arash Ghaibaghib，aShahrood University of Technology，Shahroud，...
手术室患者流量及住院时间的探索性数据分析-医学信息学解锁19-手术室机器学习-伊朗AJA医科大学
¼医学信息学解锁19（2020）100354评价手术室中的患者流量：一项探索性数据住院时间构成分析Nader Markazi-Moghran，Sanaz Zargar Balaye Jame*，Ehsan Tojani伊朗德黑兰AJA医科大学医学院卫生管理和经济学系A R T I...
"表面抛光的混合Ⅱ型模糊系统数据挖掘方法
þþHOS T E D B Y可在www.sciencedirect.com网站上查阅计算设计与工程学报2（2015）137...接受日期：2015年2月22日2015年3月5日在线发布摘要在这项研究中，一种新的方法在预测系统输出已被调查，通过应用数
利用图示法判别AR,MA,ARMA,ARIMA模型平稳性
CauchyIsNotYou的博客
05-21 6437
要拟合一个平稳序列的发展，用来拟合的模型显然也应该是平稳的.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. R提供了多种序列拟合函数，每种函数各有利弊.我们介绍两种最常用的序列拟合方法. #0521 #序列拟合 x1 <- arima.sim(n=100,list(ar=0.8)) x3 <- arima.sim(n=100,list(ar=c(1,-0.5))) ts.plot(x1) ts.plot(x3) #x2 <- arima.sim(n=10
AR模型收敛：特征根在单位圆内
IT届的小学生
12-27 1万+
1、AR模型，本质上说就是n阶差分方程，差分方程的解是数列，当数列收敛时，时间序列就是平稳的，模型就是稳定的。通过了解差分方程解的结构我们可以知道，当且仅当特征方程的根在单位圆内时，差分方程有收敛解。2、一个可逆的MA模型是AR模型的一个解，要了解这点可以尝试理解如下推导过程(为了简洁我去掉了常数项）：y_t = a1*y_t-1 + e_t, |a1|->(1-a1L)*y_t = e_t->y
AR模型
潜水的飞鱼baby
09-30 6万+
AR模型： 具有如下结构的模型称为p阶自回归模型，简记为AR(p): AR(p)模型有三个限制条件： 。保证模型的最高阶数为p。 随机干扰项序列为零均值白噪声序列。 当期的随机干扰项与过去的序列值无关，即： 中心化AR(p)模型： 当a0=0时，自回归模型称为中心化AR(p)模型。非中心化AR(p)模型可以通过下面的变化转换为中心化AR(p)序列。 P阶自回归系数
自回归（Autoregressive Models，AR）模型
my_learning_road的博客
07-24 4万+
已知在t−1时刻的数据rt−1，在预测t时刻rt时可能是有用的！ 根据这点我们可以建立下面的模型：   其中{at}是白噪声序列，这个模型与简单线性回归模型有相同的形式，这个模型也叫做一阶自回归(AR)模型，简称AR(1)模型 从AR(1)很容易推广到AR(p)模型：   AR(p)模型的特征根及平稳性检验 我们先假定序列是弱平稳的，则有;   因为{at}是白噪...
AR模型及其平稳性
一条不停翻滚的咸鱼的博客
07-04 1万+
AR模型及其平稳性
通过R语言实现平稳时间序列的建模--基础（ARMA模型）
Wowlittlemoon的博客
11-19 2万+
目录 1. 建模流程 2. 序列平稳性检验和纯随机性检验 2.1 图检验 2.2 单位根检验 3. 模型选择 ​ 4. 参数估计 5. 模型检验 5.1 模型显著性检验 5.2 参数显著性检验 6. 模型优化 6.1 AIC准则 6.2 BIC准则 7. 预测 1. 建模流程 1.1 序列平稳性检验+纯随机性检验 1.2 模型选择 1.3 参数估计 1.4 模型检验 1.5 模型优化 1.6 预测 2. 序列平稳性检验和纯随机性检验 2.1 图检验 主要适用.
时间序列学习（4）：平稳性检验（单位根检验、ADF检验）
热门推荐
lucialucia的博客
09-05 6万+
时间序列学习（4）：平稳性检验（单位根检验、ADF检验）1、单位根检验2、ADF检验3、指数走势的检验4、对数收益率序列检验 相关图可以大致判断序列是否平稳。但是，这毕竟不是严格的。 这篇笔记来就谈一谈平稳性的检验。 到目前为止，我们有了以下的时间序列模型： 白噪声； 随机游走； AR模型； MA模型； ARMA模型。 我们知道白噪声、MA模型一定是平稳的（这里的平稳都是弱平稳）；随机游走一定是不平稳的；ARMA模型取决于其AR部分。 所以唯一需要做平稳性检验的就是AR模型。 1、单位根检验 先来看一阶
时间序列模型matlab_平稳时间序列分析01---AR模型
weixin_39849287的博客
11-21 1万+
引言根据Wold分解定理，任意一个离散平稳时间序列都可以分解为一个确定性平稳序列和一个随机性平稳序列之和。且确定性序列可以表达为历史序列值的线性函数，而随机性序列可以表达为历史新息（历史纯随机波动）的线性组合，即上式在统计上被称为自回归移动平均模型 (auto-regression moving average), 简称为 ARMA模型。Wold分解定理保证了平稳序列一定可以用某个 ARMA 模型...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值