7.14学习笔记

Simple模型：不含趋势和季节成分，ARIMA（0,1,1）
由过去的数据加权求和所得，距当期越近的数据，对当期的影响越大；越早期的数据对当期影响越小，只能预测一期
linear trend模型：Holt线性模型、Brown线性模型（特例）
霍特线性模型：线性趋势、不含季节成分，ARIMA（0,2,2）
水平平滑方程+趋势平滑方程+预测方程
布朗线性趋势模型：水平平滑参数=趋势平滑参数
Damp trend模型：线性趋势减弱且不含季节成分，ARIMA（1,1,2）
阻尼参数φ=1--》holt，0<φ<1,阻尼
简单季节性seasonal模型：稳定的季节成分、不含趋势，SARIMA（0,1,1）×（0,1,1）
水平平滑方程+季节平滑方程+预测方程
预期超前期数h，m周期长度
Winter's additive模型：含有线性趋势和稳定季节成分，SARIMA（0,1,0）×（0,1,1）
Winter's multiplicative模型：含有线性趋势和不稳定季节成分，不存在
一元时间序列分析模型：
1、平稳时间序列和白噪声序列
2、差分方程和滞后算子
3、AR，MA
4、ARMA
5、ACF，PACF
6、ARMA模型估计
7、AIC和SBC准则
8、ARIMA
9、SARIMA
1、时间序列的平稳性：
平稳时间序列：均值固定，不存在异方差，协方差只与间隔有关（协方差平稳/弱平稳），多维随机变量联合分布（严格平稳）
白噪声序列（特例）：均值为零，协方差为零      扰动项
2、差分方程
将某个时间序列变量表示为该变量的滞后项、时间和其他变量的函数
滞后算子（lag operator）
3、AR（p）模型：自相关性，平稳化
回归模型扰动项：异方差（横截面数据）、自相关（时间序列）
多元时间序列：向量自回归模型
平稳条件：解齐次部分特征方程--》p个解模长<1（平稳）；k个模长=1（k阶单位根过程）；>1（爆炸过程）
MA（q）模型：移动平均
可逆性：MA（1)化为AR（∞）
平稳性：只要q是常数，MA（q）一定是平稳的
4、ARMA（p,q）模型
检验法：ADF、KPSS、PP
5、ACF自相关系数，PACF偏自相关系数
6、正确识别ARMA模型的阶数：极大似然估计
7、AIC和SBC准则（选小原则）：解决了过拟合问题
赤池信息准则：AIC=2（模型中参数的个数）-2ln（极大似然函数值）
贝叶斯信息准则：BIC=ln（n）-2ln（极大似然函数值）   惩罚系数更大
检验模型是否识别完全：对残差进行白噪声检验
Q检验
8、ARIMA（p,d,q）模型：差分自回归移动平均过程
ARIMA(1,1,1),ARIMA(1,2,1) d阶单位根过程
9、SARIMA (p,d,q) (P,D,Q)_m
建模过程：
处理缺失值、生成时间变量、时间序列图
--》是否为两个以上的周期、是否存在季节性波动
--》是否为平稳序列
--》spss专家建模器建模
--》画ACF、PACF图、差分、时间序列分解
自动检测异常值的算法：加法、移位水平、革新、瞬态、季节加性、局部趋势、加性修补