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
)
(p)
(p) 序列
2.2 MA
(
q
)
(q)
(q) 序列
2.3 ARMA
(
p
,
q
)
(p,q)
(p,q) 序列
三、ARMA 序列的相关特性
2.1 MA ( q ) (q) (q) 序列的自相关函数
2.2 AR
(
p
)
(p)
(p) 序列的自相关函数
2.3 ARMA
(
p
,
q
)
(p, q)
(p,q) 序列的自相关函数
ARMA ( p , q ) (p, q) (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$§
,
M
A
, MA
,MA(q)$ , ARMA
(
p
,
q
)
(p, q)
(p,q) 模型的类别,并估计阶数 p, q;
2.对模型参数
φ
=
(
φ
1
,
φ
2
,
⋅
⋅
⋅
,
φ
p
)
T
φ = (φ1, φ2, · · · , φp)^T
φ=(φ1,φ2,⋅⋅⋅,φp)T 及
θ
=
(
θ
1
,
θ
2
,
⋅
⋅
⋅
,
θ
q
)
T
θ = (θ1, θ2, · · · , θq)^T
θ=(θ1,θ2,⋅⋅⋅,θq)T 进行估计;
3.对模型进行检验,即要检验
ε
t
ε_t
εt 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。