什么是时间序列?
时间序列是按照一定时间顺序,按照一定的时间间隔取得的一系列观测值。
怎样做时间序列分析?
时间序列分析尝试找出序列值在过去所呈现的特征模式,假定这种模式在未来能够持续,进而对未来进行预测 时间序列基本特征:趋势性,序列相关性,随机性 时间序列模型预测方法:算数平均法,移动平均法,加权移动平均,指数平滑法,自回归和移动平均法(ARIMA) ARIMA模型的优点:信息浪费最少,集趋势性,相关性和随机性于一身。
时间序列模型预测方法
1.算数平均法:对时间序列的过去数据进行简单平均来进行预测。
2.移动平均法:不考虑远期的数据,仅考虑近期数据产生的影响。
3.加权移动平均法:给予近期数据较大的权重,远期数据较小的权重。
4.指数平滑法:给予近期数据较大的权重,远期数据较小的权重,但是权重以指数的形式递减。
时间序列的表达
T时刻的时间序列值表示为:
一个时间序列可以表述为:{ | t = 1,2,3,4....n}
T-1时刻的序列值表述为 : ,或者 X[t-1]
时间序列的差分: –
或者 X[t]–X[t-1]
一阶差分: –
=
- BX = (1 - B)
二阶差分:
K步差分: -
=
-
= (1 - B)
N阶差分: 剔除趋势性的影响。
K步差分: 剔除季节性的影响,步长K:季节性影响的周期。
时间序列的特征捕捉
1.序列的相关性
当前的序列值和前期某个或某些序列值线性相关
(1)自相关系数ACF(全相关系数):用来度量同一事件在不同时间的相关程度。 =
,其中r(h) 为h期的协方差函数,r(0)为方差。
(2)偏子相关系数PACF(条件相关系数):度量去除中间变量影响后的相关程度。( -
) 通过
产生关联,PACF即去除
的关联后的两者的相关系数。
2.趋势性
序列整体呈现单调性。
3.随机性
序列在一定程度上呈现不确定性。