时间序列 Task 4

ARMA 时间序列模型与预测

ARMA 模型：自回归滑动平均模型 Autoregressive moving average model

一、时间序列分析流程

1. 分析的数据是否有价值？是否为白噪声序列？

2. 分析的时间序列是否为平稳时间序列？如果不是平稳时间序列该怎么办？

如果不是平稳时间序列，通过差分变换得到平稳时间序列模型。

3. 当前的观测值受到之前几期数据的影响？分别受到 AR、 MA 模型的几期影响？

• 比较直观的 ACF、 PACF 图判断；

ACF 是一个完整的自相关函数，可为我们提供具有滞后值的任何序列的自相关值。简单来说，它描述了该序列的当前值与其过去的值之间的相关程度。ACF 描述了一个观测值和另一个观测值之间的自相关，包括直接和间接的相关性信息。

PACF 是部分自相关函数或者偏自相关函数。基本上，它不是找到像ACF这样的滞后与当前的相关性，而是找到残差（在去除了之前的滞后已经解释的影响之后仍然存在）与下一个滞后值的相关性。因此，如果残差中有任何可以由下一个滞后建模的隐藏信息，我们可能会获得良好的相关性，并且在建模时我们会将下一个滞后作为特征。请记住，在建模时，我们不想保留太多相互关联的特征，因为这会产生多重共线性问题。因此，我们只需要保留相关功能。

如果数据受到前面 n 期数据影响的效果逐渐递减，我们称为“拖尾”；若数据受前面 n 期影响出现断崖式下跌，我们称为“截尾”。对于常见的截尾与拖尾
出现情况，我们将其化为不同模型：

• 较为精确的单位根检验判断

https://max.book118.com/html/2016/0303/36767723.shtm

3. 如何检验时间序列模型的好坏

二、ARMA 时间序列

ARMA 时间序列分为三种类型:

• AR 模型，即自回归序列 (Auto Regressive Model);
• MA 序列，即滑动平均序列 (Moving Average Model);
• ARMA 序列，即自回归滑动平均序列 (Auto Regressive Moving Average Model)。

2.1 AR$(p)$ 序列

2.2 MA$(q)$ 序列

2.3 ARMA$(p,q)$ 序列

三、ARMA 序列的相关特性

2.1 MA$(q)$ 序列的自相关函数

2.2 AR$(p)$ 序列的自相关函数

2.3 ARMA$(p,q)$ 序列的自相关函数

ARMA$(p,q)$序列的自协方差函数 (自相关函数) 为拖尾的。

2.4 ARMA 时间序列的建模与预报

1.模型的识别与定阶，即要判断是 AR$§ $，MA$(q)$ ， ARMA$(p,q)$ 模型的类别，并估计阶数 p, q;
2.对模型参数 $\phi =(\phi 1,\phi 2,\cdot \cdot \cdot ,\phi p{)}^T$ 及 $\theta =(\theta 1,\theta 2,\cdot \cdot \cdot ,\theta q{)}^T$ 进行估计;
3.对模型进行检验，即要检验 ${\epsilon }_t$ 是否为平稳白噪声，若检验获得通过，则 ARMA 时间序列的建模完成。