通过R语言实现平稳时间序列的建模--基础（ARMA模型）

最新推荐文章于 2024-09-16 09:31:11 发布

小天使甲

最新推荐文章于 2024-09-16 09:31:11 发布

阅读量2.4w

点赞数 67

文章标签：回归算法 r语言最小二乘法

本文链接：https://blog.csdn.net/Wowlittlemoon/article/details/121425699

版权

本文详细介绍了如何使用R语言进行平稳时间序列的建模，包括序列的平稳性检验、ARMA模型的选择与参数估计、模型检验与优化，以及预测。通过单位根检验和自相关图确定序列平稳性，利用arima函数进行参数估计，并通过残差检验验证模型显著性。

摘要由CSDN通过智能技术生成

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

主要适用于趋势或者周期比较明显的序列，具有一定主观性。

（1）绘制时序图与自相关图：

x<-read.csv("C:/Users/M/Desktop/4.9.csv") #读入csv数据
dwelling<-ts(x,start = c(1971,9),frequency = 12)#构造时间序列变量 
#start：指定序列起始时间，如start=c(1990,2)即1990年2月；start=1990即1990年。
#frequency：指定学列每年读入的数据频率，如frequency=12即每年读入12个数据，月度数据；frequency=4即读入季度数据；诸如此类。

plot(dwelling) #输出时序图

acf(dwelling,lag.max=12,plot=T)
#acf(变量名,延迟阶数,选择输出自相关图或者自相关系数)
#lag.max:若缺省该参数，系统会根据序列长度自动指定延迟阶数。
#plot:系统默认参数为plot = Ture，即只输出自相关图不输出自相关系数；plot=False，只输出自相关系数。
acf(time)$acf #查看具体的自相关系数

从时序图可见该序列没有明显的趋势和周期，从自相关图可见该序列除了延迟1~4阶外，其他自相关系数均在两倍标准差内，可以认为该序列具有短期相关性。因此判断该序列为平稳序列。

（2）纯随机检验

纯随机序列序列没有建模的必要，因为序列值之间无相关性，历史数据对未来数据无影响。

用Box.test 函数进行纯随机性检验：

Box.test(dwelling,lag=6,type="Ljung-Box") #延迟6阶
Box.test(dwelling,lag=12,type="Ljung-Box") #延迟12阶
#lag: 缺省该参数时，默认输出之后1阶的检验统计量结果
#type：选择检验统计量的类型，默认为type="Box-Pierce"，输出白噪声检验的Q统计量；type="Ljung-Box"输出LB统计量

#输出情况如下
> Box.test(dwelling,lag=6,type="Ljung-Box") #延迟6阶

	Box-Ljung test

data:  dwelling
X-squared = 215.96, df = 6, p-value < 2.2e-16

> Box.test(dwelling,lag=12,type="Ljung-Box") #延迟12阶

	Box-Ljung test

data:  dwelling
X-squared = 329.2, df = 12, p-value < 2.2e-16

白噪声检验显示延迟为6、12阶时p值均远远小于显著性水平0.05，因此显著拒绝序列为纯随机系列的原假设。因此判断该序列为非纯随机序列。

2.2 单位根检验

2.2.1 DF检验

仅适用于最简单的1阶模型AR(1)的平稳性检验。

调用aTSA中的的adf.test 函数进行DF检验：

install.packages("aTSA")
library(aTSA)
adf.test(dwelling,nlag=2) 
#nlag：最高延迟阶数，若nlag=1即输出自回归0阶延迟平稳性检验结果；若nlag=2即输出自回归0至1阶延迟平稳性检验结果。

#输出结果
> adf.test(dwelling,nlag=2)
Augmented Dickey-Fuller Test 
alternative: stationary 
 
Type 1: no drift no trend 
     lag   ADF p.value
[1,]