ARIMA乘法季节模型

目录

ARIMA乘法季节模型

例题1 

例题 2

例题3

---

ARIMA乘法季节模型

        序列的季节效应、长期趋势效应和随机波动之间有着复杂的相互关联性,简单的季节模型不能充分地提取其中的相关关系，这时常采用乘积季节模型。

例题1 

我国1949-2008年年末人口总数（单位：万人）。选择适当的指数平滑法拟合该序列的长期趋势，并作5期预测。

代码：

加载数据：

a<-read.table('D:/桌面/大三下作业/时间序列/实验报告6/习题4-5.csv',sep=',',header=T) #读取数据
x<-ts(a$population,start=1949)
plot(x,main='时序图') #绘制时序图

返回：

由时序图可知，该序列为显著的线性递增序列，可以使用holt两参数指数平滑法进行趋势拟合和预测，或使用ARIMA ( 1,1,0）模型进行拟合和预测。

拟合模型：

fit1<-HoltWinters(x,gamma=F) #进行2参数指数平滑法进行拟合
fit1 #输出拟合结果

返回：

plot(fit1,main='拟合结果时序图') #对拟合结果绘制时序图

返回：

由于没有指定平滑系数的值，所以R基于最优拟合原则计算出平滑系数：

通过Holt两参数指数平滑法，不断迭代，得到最后一期的参数估计值为：

则未来任意k期的预测值为：

 进行5期预测：

fore1<-forecast(fit1,h=5)
fore1

返回：

plot(fore1) #对预测结果绘制时序图
lines(fore1$fitted,col='red') #拟合值

返回：

例题 2

某地区1962-1970年平均每头奶牛的月度产奶量数据（单位：磅）。

（1）绘制该序列的时序图，直观考查该序列的特点（有无趋势和季节）。

（2）选择适当的指数平滑法预测下一年该地区奶牛的月度产奶量。写出指数平滑模型、预测模型，预测值和80%、95%的置信区间，绘制预测图。

(1)

加载数据：

a<-read.table('D:/桌面/大三下作业/时间序列/实验报告6/习题4-7.csv',sep=',',header=T)
x<-ts(a$ milk_yield,start=c(1962,1),frequency=12)

绘制时序图：

plot(x,main='时序图') #绘制时序图

返回：

<