干预分析 + 伪回归

洋洋菜鸟

于 2022-06-12 17:36:00 发布

阅读量2.5k

点赞数 4

分类专栏：时间序列文章标签： p2p 网络协议网络

本文链接：https://blog.csdn.net/qq_25990967/article/details/125172498

版权

时间序列专栏收录该内容

27 篇文章 40 订阅

订阅专栏

干预分析

干预分析的定义

时间序列常常受到某些外部事件的影响，诸如:假期，罢工，促销，或者政策的改变等。我们称这些外部事件为“干预”。评估外部事件对序列产生的影响的分析，称为干预分析(intervention analysis) 。

干预分析的产生背景

最早的干预分析是1975年Box和刁锦寰( Tiao）对加州63号法令是否有效抑制了加州空气污染问题的研究。他们首次将干预事件以虚拟变量的方式进行标注，然后把虚拟变量作为输入变量引入序列分析，构建ARIMAX模型。

干预分析的实质

所谓干预模型实际上是带虚拟变量回归的ARIMAX模型，所以干预模型实质上就是ARIMAX模型的一种特例

二战之后加利福尼亚州经济高速发展，蓬勃发展的经济也带来了严重的空气污染。由于工厂排放的废气、汽车排放的尾气、家庭使用的燃气排放物中都含有大量的氮氧化物和活性碳氢化物。
废气在阳光的作用下产生化学反应，这些化学反应物形成了严重的雾霾，造成大量人群流眼泪，咳嗽、肺部受损等身体伤害。经测量，光化学污染程度的标志是臭氧的含量。
为了解决污染问题，加州政府在1959年颁布了63号法令。该法令要求从1960年1月起，在当地销售的汽油中减少碳氢化物的容许比。 Box和Tiao在1975年，根据他们收集的1955年1月—1972年12月的月度臭氧浓度序列，分析63号法令的颁布执行，对控制加州的光学污染有没有起到作用?如果起了作用，起了多大的作用。

干预分析步骤

步骤一

考察序列的时序图和互相关图，研究干预变量对序列的干预机制

步骤二

对臭氧浓度进行12步差分，实现差分平稳

步骤三

引入两个干预变量，与差分后臭氧浓度序列建立回归模型

步骤四

拟合模型显著性检验

步骤五

序列预测

步骤六

干预结果解读

根据β,=-1.225，而且该系数t检验显著非零的特征，可以认为63号法令的颁布和实施有效降低了加州臭氧浓度。这说明这个法令的颁布和实施对治理加州的空气污染是显著有效的。
又因为mean(ozone,t<1960年)=4.177，即在1960年之前，臭氧序列的平均浓度等于4.i77，而因为63号法令的执行，使得臭氧浓度平均降低了1.225，所以63号法令的执行，使得加州臭氧浓度比法令执行之前下降了30%左右。
根据β.=—0.0675，说明夏季比冬季的臭氧浓度低，但我们的季节性划分太粗糙,这个系数并不显著非零。
除政策因素和季节因素的干预影响，臭氧浓度序列自身的波动服从季节乘法模型。千预因素会影响臭氧序列的浓度水平，但不会改变臭氧序列的波动规律。