数学建模常用模型24:时间序列分析

给大家安利一款朋友开发的自研国产数据分析基础工具,一键式自动分析,自动生成分析模板,5分钟掌握主流61个统计类数学模型(几乎涵盖SPSS绝大部分功能),以及23个有监督机器学习(包括随机森林,SVM,XGBoost等)

PS:巨方便简单上手,貌似现在是免费

官网:www.mpaidata.com   mpai数据科学平台

 

2019-03-22补充了spss结果分析(案例)末尾

定义

按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。对时间序列进行观察、研究,找寻它变化发展的规律,预测它将来的走势就是时间序列分析

AR(p)模型

                    

具有上述结构的模型称为p阶自回归模型,记为AR(p)

MA(q)模型

                     

具有上述结构的模型称为p阶自回归模型,记为MA(q)

ARMA(p,q)模型

具有上述结构的模型称为p阶自回归模型,记为ARMA(p,q)

 

平稳序列建模

1 建模步骤:

2 计算样本相关系数:

样本自相关系数:

           {\hat \rho _k} = \frac{​{\sum\limits_{t = 1}^{n - k} {({x_t} - \bar x)({x_{t + k}} - \bar x)} }}{​{\sum\limits_{t = 1}^n {​{​{({x_t} - \bar x)}^2}} }}

 

样本偏自相关系数:

                  {\hat \phi _{kk}} = \frac{​{​{​{\hat D}_k}}}{​{\hat D}}

 

3模型识别:

基本原则:

{\hat \rho _k}

{\hat \phi _{kk}}

选择模型

 

拖尾

P阶拖尾

AR(p)

q阶拖尾

拖尾

MA(q)

拖尾

拖尾

ARMA(p,q)

 

4样本相关系数的近似分布:

Barlett:

             

Quenouille:

               

5 参数估计:

待估参数:

          p+q+2个未知参数

常用估计方法

矩估计

极大似然估计

最小二乘估计

6模型的显著性检验:

目的

检验模型的有效性(对信息的提取是否充分)

检验对象

残差序列

判定原则

一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息,即残差序列应该为白噪声序列

反之,如果残差序列为非白噪声序列,那就意味着残差序列中还残留着相关信息未被提取,这就说明拟合模型不够有效

假设条件:

原假设:残差序列为白噪声序列

              {H_0}{\rho _1} = {\rho _2} = \cdots = {\rho _m} = 0,\forall m \ge 1

备择假设:残差序列为非白噪声序列

              

7参数显著性检验:

目的

检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件

                  {H_0}:{\beta _j} = 0\begin{array}{*{20}{c}} {}&{​{H_1}:{\beta _j} \ne 0} \end{array}  

  • 28
    点赞
  • 251
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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