用特征根判别法判断AR模型的平稳性，再用随机模拟的方法来验证以及做自相关分析

最新推荐文章于 2024-03-11 14:26:39 发布
最新推荐文章于 2024-03-11 14:26:39 发布
阅读量1.1w 收藏 17
点赞数 3
分类专栏： SPSS 文章标签： spss AR模型 自相关分析
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/my_daily_life/article/details/121282370
版权

       下面将用这两个栗子来讲解本文的内容，将用到的软件：SPSS、EXCEL
在这里插入图片描述

一、我们先用特征根判别法判断模型的平稳性。

特征根判别法呢，最主要的就是写出模型的差分方程，然后求出其特征根，若其特征根在单位圆内，则该模型就是平稳的
解题如下：
在这里插入图片描述

二、用随机模拟的方法来验证

1）

①在excel中生成100个序列数

在这里插入图片描述

②将这100个序列数导入spss中

在这里插入图片描述

③点击【转换】【计算变量】

在这里插入图片描述

④输入数字表达式RV.NORMAL(0,1)，点击确定，产生白噪声et

在这里插入图片描述

在这里插入图片描述

⑤将et列数据复制粘贴到excel，然后计算AR模型随机数，的初始值不妨都设为1

先计算出第一个AR模型随机数，如图
在这里插入图片描述

然后计算出第二个随机数
在这里插入图片描述

再计算出第三个随机数
在这里插入图片描述

下拉填充至100行，即可产生100个AR模型随机数
在这里插入图片描述

⑥将这100个随机数导入spss

在这里插入图片描述

⑦点击【分析】【时间序列预测】【序列图】

在这里插入图片描述

⑧做出xt的序列图

在这里插入图片描述

在这里插入图片描述

由序列图可知，该模型是非平稳的

⑨做自相关性分析，点击【分析】【时间序列预测】【自相关】

在这里插入图片描述

这里我选择用巴特利特近似来做
在这里插入图片描述

得到结果如图：
在这里插入图片描述

由自相关结果可知，各项p值都很小，p值越小越拒绝，所以该序列是非白噪声，且具有拖尾性
综上所述，可知该模型是不平稳的非白噪声序列。

2）同理，可作出序列图和自相关性分析结果：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

可知该模型为平稳的非白噪声序列，且具有拖尾性

拾清心
关注
  • 3
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
增强组合特征判别性的典型相关分析
03-10
典型相关分析(CCA)在执行分类任务时主要存在如下不足:1)尽管分类时的输入是组合特征,但CCA仅优化组合特征的各组成部分,并未直接优化组合特征本身;2)尽管面对的是分类任务,然而CCA根本无法利用样本的类信息.为弥补CCA的上述不足,文中提出一种监督型降维方法——增强组合特征判别性的典型相关分析(CECCA).CECCA在CCA基础上,通过结合组合特征的判别分析,实现对组合特征相关性与判别性的联合优化,使所抽取特征更适合分类.在人工数据集、多特征手写体数据集和人脸数据集上的实验结果验证该方法的有效性.
spss实现时间序列分析过程
a00002030的博客
11-08 2万+
在使用SPSS进行时间序列分析时，发现网上的信息量较少，而且不够全面，在这里记录一下学习心得，如有错误，望指正。 在进行时间序列分析之前，我们需要考察数据的一些性质，先附上百度百科的arima介绍： ARIMA模型（英语：AutoregressiveIntegratedMovingAverage model），差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。ARIMA(p，d，q)中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为...
根据特征根的情况分析系统稳定性
FL1717的博客
03-11 627
在控制系统中，通过状态空间方程得到的特征方程是一个关于系统动态行为的重要方程。求解这个特征方程，可以得到特征根（也称为极点或特征值）。这些特征根在很大程度上决定了系统的稳定性。
考虑风速随机特征的多工况电力系统稳定性分析
01-14
提出一种考虑风速随机特征的多工况电力系统稳定性分析方法。利用参数Weibull模型对短时间内条件风速趋势进行拟合预测，并将风速区间化，计算各区间的条件特征风速概率密度矩阵，再根据条件特征风速确定系统的运行工况。在此基础上，建立考虑风速随机特征的连续Markov 多工况电力系统模型及其Lyapunov泛函，并在该泛函的弱无穷小算子中运用Dynkin引理，推导满足干扰衰减度γ的鲁棒随机稳定性的线性矩阵不等式（LMI），并将其转化为可行性问题，以判断系统是否稳定。IEEE 4机11节点系统和16机68节点系统时域仿真结果表明，所提方法无需获取系统运行轨迹即可对多工况电力系统进行稳定性判别，与传统时域仿真法相比，降低了计算量，提高了判别效率。
硫化矿石自燃倾向性等级分类的Fisher判别分析法
07-19
将Fisher判别分析法(FDA)应用于硫化矿石自燃倾向性等级分类问题中,选用主要矿物及含量、吸氧速度常数平均值、自热点、自燃点4项指标作为判别因子,建立硫化矿石自燃倾向性等级分类的FDA模型。选取新桥硫铁矿13个矿样的实验数据作为学习样本进行训练,建立相应的线性判别函数,并用训练后的模型对天马山高硫金矿的-55m中段以上矿石自燃倾向性进行判别。结果表明:Fisher判别分析模型分类性能良好,对硫化矿石自然发火潜势的划分结果统计意义明显,适用性强,说明该方法在硫化矿石自燃倾向性判别与分类中有较好的应用前景。
RA_test_平稳性判断_
10-03
在平稳性分析中所需要的对数据进行平稳性检验，判别平稳性
ARMA模型的平稳性判别（续）
PY洋洋
03-08 8627
1.特征根判别法 AR(p)模型对应齐次方程特征根与回归系数多项式根的关系： 2.平稳域判别 （1）AR(1)(一阶)模型平稳域 （2）AR(2)(二阶)模型平稳域 3.举例 4.函数展开成幂级数——麦克劳林级数 小结
AR模型
热门推荐
潜水的飞鱼baby
09-30 6万+
AR模型： 具有如下结构的模型称为p阶自回归模型，简记为AR(p): AR(p)模型有三个限制条件： 。保证模型的最高阶数为p。 随机干扰项序列为零均值白噪声序列。 当期的随机干扰项与过去的序列值无关，即： 中心化AR(p)模型： 当a0=0时，自回归模型称为中心化AR(p)模型。非中心化AR(p)模型可以通过下面的变化转换为中心化AR(p)序列。 P阶自回归系数
自回归（Autoregressive Models，AR）模型
my_learning_road的博客
07-24 4万+
已知在t−1时刻的数据rt−1，在预测t时刻rt时可能是有用的！ 根据这点我们可以建立下面的模型：   其中{at}是白噪声序列，这个模型与简单线性回归模型有相同的形式，这个模型也叫做一阶自回归(AR)模型，简称AR(1)模型 从AR(1)很容易推广到AR(p)模型：   AR(p)模型的特征根及平稳性检验 我们先假定序列是弱平稳的，则有;   因为{at}是白噪...
AR模型及其平稳性
一条不停翻滚的咸鱼的博客
07-04 1万+
AR模型及其平稳性
时间序列与R语言应用(part4)--自回归AR模型及其平稳性条件
小山羊的学习日志
04-12 1万+
参考书目：《计量经济学》、《时间序列分析及应用R语言》、《计量经济学基础》、《计量经济学模型与R语言应用》 文章目录为什么平稳如此重要自回归AR模型一阶自回归过程二阶自回归过程一般自回归过程R语言实现 为什么平稳如此重要 我们知道若随机时间序列XtX_tXt​有如下性质： ①均值E(Xt)=μE(X_{t})=\muE(Xt​)=μ ,均值是与时间ttt无关的常数 ②方差Var(Xt......
基于多元判别分析的汉语句群自动划分方法
03-19
针对目前句群划分工作缺乏计算语言学数据支持、忽略篇章衔接词的问题以及当前篇章分析较少研究句群语法单位的现象,提出一种汉语句群自动划分方法。该方法以汉语句群理论为指导,构建汉语句群划分标注评测语料,并且基于多元判别分析(MDA)方法设计了一组评价函数J,从而实现汉语句群的自动划分。实验结果表明,引入切分片段长度因素和篇章衔接词因素可以改善句群划分性能,并且利用Skip-Gram Model比传统的向量空间模型(VSM)有更好的效果,其正确分割率Pμ达到85.37%、错误分割率Window Diff降到24.08%。同时该方法在句群划分任务上有更大的优势,比传统MDA方法有更好的句群划分效果。
急倾斜煤层顶煤可放性分类预测的Fisher判别分析模型及应用
07-19
基于Fisher判别理论建立了急倾斜煤层顶煤可放性分类的Fisher判别分析模型.选取老顶、直接顶、底板、瓦斯、采深、倾角、煤层厚度、坚固性系数、夹矸等9项指标作为Fisher判别分析模型的分类判别指标.利用国内矿区急倾斜煤层可放性分类实例数据作为训练样本进行训练,建立顶煤可放性分类的Fisher判别分析模型,求得判别函数.用建立的模型对5个矿山的急倾斜煤层顶煤可放性进行分类预测,结果与实际情况符合良好.
基于因子分析法的焦作矿区底板突水模型研究-论文
07-08
为研究焦作矿区工作面底板突水的主要影响因素和防治措施，选取地质构造λ1、煤层厚度λ2，煤层倾角λ3、工作面宽度λ4、开采深度λ5、含水层水头压力λ6、隔水层平均强度λ7、隔水层平均厚度λ8作为研究变量，建立了焦作矿区工作面底板突水的因子分析模型。研究结果表明：焦作矿区底板突水的8个变量可归纳为采矿赋存因子、采矿设计因子、技术可变因子；得出了模型加权综合得分大于等于0.95时则突水危险性很大，且需采取相应的技术措施的判别标准；该因子分析模型在赵固二矿11011工作面成功应用并验证了其正确性。该研究成果对焦作矿区及类似地质条件下采掘工作面底板是否需要注浆加固或采取其他防治措施提供了一定的参考意义。
基于Fisher判别分析法的矿柱稳定性研究
06-03
建立包含矿柱应力、岩石单轴抗压强度、高度、宽度、宽高比等因素在内的FDA矿柱稳定性预测模型,并用统计学的Fisher判别分析法对预测模型进行分析求解。研究结果表明:FDA模型可以较好地对矿柱稳定性进行预测和评估。
一种高速列车-牵引网阻抗测量方法及其稳定性分析
01-14
高速列车运行过程中容易出现低频振荡，影响高速列车牵引传动系统稳定运行。以高速列车单相牵引整流器为研究对象，以分析车-网系统稳定性为研究目标，基于阻抗定义模型，提出了一种牵引传动系统输入导纳及网侧输出阻抗的测量方法。通过对整流器稳定性运行情况的检测，进行阈值判定，进而实时调节扰动谐波幅值的大小。并设计了该测量方法所对应的扰动注入装置，通过对程控电阻的调节实现对扰动谐波幅值的调节。在dq旋转坐标系下对车-网系统阻抗进行测量，基于测量结果进行稳定性分析，通过MATLAB/Simulink进行仿真验证，并进行硬件在环测试验证。仿真及测试结果表明车-网系统时域运行工况与稳定性分析的结果相符合，验证了所设计测量方法的有效性。
用两表法分析离心泵故障.zip
03-28
用两表法分析离心泵故障 利用压力表和真空表读数的变化来分析和判别离心泵是否发生故障以及故障发生的可能位置。
自动驾驶运动规划(Motion Planning).pdf
04-26
自动驾驶运动规划(Motion Planning)问题分析
财务数据分析模型6.xlsx
最新发布
04-26
Excel数据看板，Excel办公模板，Excel模板下载，Excel数据统计，数据展示
利用特征根判别法和平稳域判别法检验AR模型的平稳性，举四个不同情况的例子
06-11
好的，我来回答您的问题。 利用特征根判别法检验AR模型的平稳性，需要计算AR模型的特征根，如果所有特征根的模长都小于1，则AR模型是平稳的。下面是四个不同情况的例子： 1. AR(1)模型：y(t) = 0.5y(t-1) + e(t)，特征方程为1-0.5L=0，特征根为λ=2，大于1，因此AR(1)模型不是平稳的。 2. AR(2)模型：y(t) = 0.8y(t-1) - 0.3y(t-2) + e(t)，特征方程为1-0.8L+0.3L^2=0，特征根为λ1=0.6，λ2=0.5，都小于1，因此AR(2)模型是平稳的。 3. AR(3)模型：y(t) = 0.7y(t-1) - 0.2y(t-2) + 0.1y(t-3) + e(t)，特征方程为1-0.7L+0.2L^2-0.1L^3=0，特征根为λ1=0.9，λ2=0.7，λ3=0.3，都小于1，因此AR(3)模型是平稳的。 4. AR(4)模型：y(t) = 0.6y(t-1) - 0.4y(t-2) + 0.3y(t-3) - 0.2y(t-4) + e(t)，特征方程为1-0.6L+0.4L^2-0.3L^3+0.2L^4=0，特征根为λ1=0.8，λ2=0.6，λ3=0.2，λ4=-0.1，λ4的模长大于1，因此AR(4)模型不是平稳的。 而利用平稳域判别法检验AR模型的平稳性，则需要求出AR模型的系数，然后计算其单位根的个数，如果单位根的个数小于AR模型的阶数，则AR模型是平稳的。下面是四个不同情况的例子： 1. AR(1)模型：y(t) = 0.5y(t-1) + e(t)，系数为0.5，单位根的个数为1，小于AR模型的阶数1，因此AR(1)模型是平稳的。 2. AR(2)模型：y(t) = 0.8y(t-1) - 0.3y(t-2) + e(t)，系数为0.8和-0.3，单位根的个数为0，小于AR模型的阶数2，因此AR(2)模型是平稳的。 3. AR(3)模型：y(t) = 0.7y(t-1) - 0.2y(t-2) + 0.1y(t-3) + e(t)，系数为0.7、-0.2和0.1，单位根的个数为0，小于AR模型的阶数3，因此AR(3)模型是平稳的。 4. AR(4)模型：y(t) = 0.6y(t-1) - 0.4y(t-2) + 0.3y(t-3) - 0.2y(t-4) + e(t)，系数为0.6、-0.4、0.3和-0.2，单位根的个数为1，等于AR模型的阶数4，因此AR(4)模型不是平稳的。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值