时间序列建模与评估

sjq2021

已于 2023-10-22 12:15:55 修改

阅读量2.8k

点赞数 20

分类专栏：时间序列文章标签：数学建模

于 2023-10-22 11:58:05 首次发布

本文链接：https://blog.csdn.net/m0_63018959/article/details/133971287

版权

时间序列专栏收录该内容

7 篇文章

订阅专栏

本文介绍了时间序列建模中的关键概念，包括评估指标如AIC和BIC的选择原则，以及ARIMA、SARIMA和GARCH模型的适用场景、参数确定方法。通过AIC和BIC准则，结合残差检验，优化模型选择，并探讨了专家建模工具的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1. 时间序列建模与评估

在上面的基础模型介绍中，我们知道了许多模型，如ARIMA(p,d,q)模型，SARIMA(p,d,q)(P,D,Q)s模型，ARCH(q)和GARCH(p,q)模型等。接下来将要说明，在什么情况下使用他们，如何确定它们具体的参数，如何评估模型好坏等。

1.1 评估指标

我们先来介绍评估指标，因为有了评估指标，即使是使用最笨的穷举参数法，我们也可以确定最优参数是什么。

1.1.1 AIC和BIC准则（选小准则）

AIC（Akaike Information Criterion）和BIC（Bayesian Information Criterion）都是用于模型选择和比较的统计准则，通常用于在多个统计模型之间选择最合适的模型。

AIC

中文名称为赤池信息准则，是衡量统计模型拟合优良性的一种标准，由日本统计学家赤池弘次创立和发展。AIC越小，模型越好，通常选择AIC最小的模型。具体计算公式为：
$AIC=2k-2ln\left(L\right)$
其中 $L$ 是模型的最大似然估计值（likelihood）；
$k$ 是模型参数的数量，也称为自由度。

$k$ 小意味着模型简洁， $L$ 大意味着模型精确。因此在评价模型是兼顾了简洁性和精确性。

BIC

中文名称为贝叶斯信息准则，由Schwartz在1978年根据贝叶斯理论提出。BIC更强调对模型的惩罚，以鼓励选择更简单的模型。具体计算公式为：

$BIC=ln\left(n\right)\ast k-2ln\left(L\right)$

其中 $L$ 是模型的最大似然估计值（likelihood）；
$k$ 是模型参数的数量，也称为自由度；
$n$ 是数据点的数量。

因为考虑了样本数量，BIC的惩罚项比AIC的大，样本数量过多时，BIC选小准则可有效防止模型精度过高造成的模型复杂度过高。

选择取向

这两个准则都包含了最大似然估计值，这是模型与数据拟合质量的度量。但它们在对模型复杂度的惩罚上有所不同，AIC对模型复杂度的惩罚相对较轻，而BIC对模型复杂度的惩罚相对较重，因为它包含一个与数据点数量相关的项。因此，AIC更倾向于选择参数较多的模型，而BIC更倾向于选择参数较少的模型。

AIC和BIC都是选小原则，我们要选择使得AIC或BIC最小的模型。同时，AIC和BIC的原理是不同的，AIC是从预测角度，选择一个好的模型用来预测，BIC是从拟合角度，选择一个对现有数据拟合最好的模型。根据具体应用，我们可以两中结合，也可以单选其中一种。

1.1.2 残差检验

估计完成时间序列模型后，我们需要对残差进行白噪声检验，如果残差是白噪声，则说明我们选取的模型能完全识别出时间序列数据的规律，即模型可接受；如果残差不是白噪声，则说明还有部分信息没有被模型所识别，我们需要修正模型来识别这一部分的信息。具体检验可以参照我前面文章的白噪音分析。

时间序列探索性分析 http://t.csdnimg.cn/eNRg0

1.2 模型选择

1.2.1 ARIMA模型

因为ARIMA模型是ARMA模型的延伸，即当参数d为0时，ARIMA模型变为ARMA模型，所以适用于ARMA模型的情况，都可以使用ARIMA模型。

ARIMA模型适用于平稳的时间序列，对于不平稳序列可以使用差分进行预处理。当然也可以对不平稳序列使用，只是结果不好罢了。

1.2.2 SARIMA模型

SARIMA模型是ARIMA的扩展，专门用于季节性时间序列数据的分析和预测。其适用于具有明显季节性模式的时间序列数据，如季节性销售数据、季节性气温数据等。

因为SARIMA模型是ARIMA模型的延伸，即当SARIMA模型的P，D，Q，s参数都为0时，SARIMA模型变为ARIMA模型，所以只要认为有季节性变动的影响，就可以使用SARIMA模型。

1.2.3 ARCH模型和GARCH模型

只有在扰动项（残差）存在条件异方差时，才需要使用ARCH模型和GARCH模型。具体的异方差检验可以参照我前面文章的异方差检验。

时间序列探索性分析 http://t.csdnimg.cn/eNRg0

1.3 确定模型参数

下面将介绍如何确定每一个模型的参数。具体应用见我后续文章。

1.3.1 ARIMA(p,d,q)模型

ARIMA模型一般先确定参数d，即差分过程。可以对数据进行差分，直到数据变得稳定。

接着对差分序列使用偏自相关函数（PACF）图来确定p的范围。一般来说，偏自相关函数图在第p阶之后拖尾。

接着对差分序列使用来自相关函数（ACF）确定q的范围。一般来说，自相关函数图在第q阶之后截尾。

如果无法判断截尾还是拖尾，最常用的办法是，在ACF和PACF图中，寻找第一个截尾（截尾为零的滞后阶数）和显著性超出阈值的滞后阶数。这些滞后阶数可以用作p和q的估计。

最后使用网格搜索和AIC、BIC最小准则来选取最优参数。

1.3.2 SARIMA(p,d,q)(P,D,Q)s模型[5]

SARIMA模型一般先确定纯季节性参数s，即季节周期。可以通过时序图直接判断。

接着确定季节差分参数D，可以对数据进行季节差分，依次进行季节性检验，直到数据不再有季节性变动。

接着确定差分参数d，可以对数据进行差分，直到数据变得稳定。

接着对差分序列使用偏自相关函数（PACF）图来确定P的范围。一般来说，偏自相关函数图在第 $P\ast s$ 阶之后拖尾。

接着对差分序列使用来自相关函数（ACF）确定Q的范围。一般来说，自相关函数图在第 $Q\ast s$ 阶之后截尾。

参数p和q的范围同ARIMA模型。

最后使用网格搜索和AIC、BIC最小准则来选取最优参数。

1.3.3 ARCH( p )和GARCH(p,q)模型

ARCH( p )模型

方法一：获得残差序列后，对残差序列平方的自相关函数（ACF）图来确定p的范围，一般来说，偏自相关函数在第p阶之后截尾。

方法二：逐一提升参数p的值，然后判断残差是否仍有条件异方差效应。

最后使用网格搜索和AIC、BIC最小准则来选取最优参数

GARCH(p,q)模型

通常GARCH（1,1）就能满足要求，如果之后阶数过多会导致模型不稳定，一般滞后阶数取1-3比较合适。如果为了更好预测和拟合，会选择AIC BIC准则，取AIC或BIC最小。定阶后进行GARCH拟合，在进行LB检验和ARCH检验，检测残差是否符合假设的白噪声检验，一般保证滞后10阶的残差项接受检验，即p值大于0.1，然后才能说GARCH模型有效。