时间序列分析——基于R | 第3章 ARMA模型的性质习题代码

Data新青年

已于 2023-04-17 14:07:40 修改

阅读量1w

点赞数 37

分类专栏：时间序列分析——基于R 文章标签： r语言算法机器学习

于 2023-04-10 20:30:30 首次发布

本文链接：https://blog.csdn.net/qq_42959513/article/details/130062187

版权

时间序列分析——基于R 专栏收录该内容

3 篇文章 17 订阅

订阅专栏

本文探讨了时间序列分析中的ARIMA模型，强调了平稳性和非平稳性的概念。通过示例展示了如何使用差分和统计检验（如ADF和KPSS测试）来检查序列的平稳性。此外，还讨论了ACF和PACF图在确定ARIMA模型参数中的作用。

摘要由CSDN通过智能技术生成

时间序列分析——基于R | 第3章 ARMA模型的性质

往期文章

时间序列分析——基于R | 第1章习题代码
 时间序列分析——基于R | 第2章时间序列的预处理习题代码

已知某 $A R (1)$ 模型为： $x_t=0.7x_{t-1}+\varepsilon_t,\varepsilon_t \sim WN(0,1).$ 求 $E(x_t),Var(x_t),\rho_2$ 和 $\phi_{22}.$

$E\left(x_t\right)=\frac{\phi_{0}}{1-\phi_{1}}=\frac{0}{1-0.7}=0$

$Var(x_t)=\frac{1}{1-\phi_{1}^{2}}=\frac{1}{1-0.7^2}=1.96$

$\rho_2=\phi_1^2=0.7^2=0.49$

$\phi_{22}=\frac{\left|\begin{array}{cc}1 & \rho_{1} \\\rho_{1} & \rho_{2}\end{array}\right|}{\left|\begin{array}{cc}1 & \rho_{1} \\\rho_{1} & 1\end{array}\right|}=\frac{0.49-0.7^{2}}{1-0.7^{2}}=0$
已知某 $\operatorname{AR}(2)$ 模型为: $x_t=\phi_1 x_{t-1}+\phi_2 x_{t-2}+\varepsilon_t, \varepsilon_t \sim W N\left(0, \sigma_{\varepsilon}^2\right)$ , 且 $\rho_1=$ $\rho_2=0.3$ , 求 $\phi_1, \phi_2$ 的值.

$A R (2)$ 模型有:
$\left\{\begin{array} { l } { \rho _ { 1 } = \frac { \phi _ { 1 } } { 1 - \phi _ { 2 } } } \\ { \rho _ { 2 } = \phi _ { 1 } \rho _ { 1 } + \phi _ { 2 } } \end{array} \Rightarrow \left\{\begin{array} { l } { 0 . 5 = \frac { \phi _ { 1 } } { 1 - \phi _ { 2 } } } \\ { 0 . 3 = 0 . 5 \phi _ { 1 } + \phi _ { 2 } } \end{array} \Rightarrow \left\{\begin{array}{l} \phi_1=\frac{7}{15}, \phi_2=\frac{1}{15} \\ \phi_2=\frac{1}{15} \end{array}\right.\right.\right.$
已知某 $\operatorname{AR}(2)$ 模型为: $x_t=\varepsilon_t, \varepsilon_t \sim W N(0,1)$ , 求 $E\left(x_t\right)$ , $\operatorname{Var}\left(x_t\right), \rho_k, \phi_{k k}$ , 其中 $k = 1, 2, 3$ .

(1) $x_t=\varepsilon_t \Leftrightarrow x_t=0.8 x_{t-1}-0.15 x_{t-2}+\varepsilon_t$
$E\left(x_t\right)=\frac{\phi_0}{1-\phi_1-\phi_2}=0$
(2)
$\begin{aligned} \operatorname{Var}\left(x_t\right) & =\frac{1-\phi_2}{\left(1+\phi_2\right)\left(1-\phi_1-\phi_2\right)\left(1+\phi_1-\phi_2\right)} \\ & =\frac{1+0.15}{(1-0.15)(1-0.8+0.15)(1+0.8+0.15)} \\ & =1.98 \end{aligned}$
(3)
$\begin{aligned} & \rho_1=\frac{\phi_1}{1-\phi_2}=\frac{0.8}{1+0.15}=0.70 \\ & \rho_2=\phi_1 \rho_1+\phi_2=0.8 \times 0.7-0.15=0.41 \\ & \rho_3=\phi_1 \rho_2+\phi_2 \rho_1=0.8 \times 0.41-0.15 \times 0.7=0.22 \end{aligned}$
(4)
$\begin{aligned} \phi_{11} & =\rho_1=0.7 \\ \phi_{22} & =\phi_2=-0.15 \\ \phi_{33} & =0 \end{aligned}$
已知 $\operatorname{AR}(2)$ 序列为 $x_t=x_{t-1}+c x_{t-2}+\varepsilon_t$ , 其中 $\left\{\varepsilon_t\right\}$ 为白噪声序列. 确定 $c$ 的取值范围, 以保证 $\left\{x_t\right\}$ 为平稳序列, 并给出该序列 $\rho_k$ 的表达式.

(1) $A R (2)$ 模型的平稳条件是

$\left\{\begin{array}{l}|c|<1 \\ c \pm 1<1\end{array} \Rightarrow\left\{\begin{array}{l}-1<c<1 \\ c<0\end{array} \Rightarrow-1<c<0\right.\right.$

(2) $\left\{\begin{array}{l}\rho_{1}=\frac{1}{1-c}, \\ \rho_{k}=\rho_{k-1}+c \rho_{k-2}, k \geq 2\end{array}\right.$
证明对任意常数 $c$ , 如下定义的 $\mathrm{AR}(3)$ 序列一定是非平稳序列:
$x_t=x_{t-1}+c x_{t-2}-c x_{t-3}+\varepsilon_t, \varepsilon_t \sim W N\left(0, \sigma_{\varepsilon}^2\right)$
证明:

该序列的特征方程为: $\lambda^{3}-\lambda^{2}-c \lambda+c=0$ , 解该特征方程得三个特征根:

$\lambda_{1}=1, \quad \lambda_{2}=\sqrt{c}, \quad \lambda_{3}=-\sqrt{c}$

无论 $c$ 取什么值, 该方程都有一个特征根在单位圆上, 所以该序列一定是非平稳序列。证毕。

对于 $\mathrm{AR}(1)$ 模型: $x_t=\phi_1 x_{t-1}+\varepsilon_t, \varepsilon_t \sim W N\left(0, \sigma_{\varepsilon}^2\right)$ , 判断如下命题是否正确:
(1) $\gamma_0=\left(1+\phi_1^2\right) \sigma_{\varepsilon}^2$
(2) $E\left[\left(x_t-\mu\right)\left(x_{t-1}-\mu\right)\right]=-\phi_1$
(3) $\rho_k=\phi_1^k$
(4) $\phi_{kk}=\phi_1^k$
(5) $\rho_k=\phi_1\rho_{k-1}$
Sure! Here are the answers and calculation processes for each statement:
(1) 错误。 $\gamma_0=\frac{\sigma_{\varepsilon}^2}{1-\phi_1^2}$ 。
(2) 错误。 $E\left[ \left(x_t-\mu\right)\left(x_{t-1}-\mu\right) \right]=\phi_1\gamma_1$ 。首先有：
$\begin{aligned} E(x_t) &= E[\phi_1x_{t-1}+\varepsilon_t] \\ &= \phi_1E(x_{t-1})+E(\varepsilon_t) \\ &= \phi_1E(x_t)+0 \\ &= 0 \end{aligned}$
由此可得 $\mu=0$ 。然后，有：
$\begin{aligned} E\left[\left(x_t-\mu\right)\left(x_{t-1}-\mu\right)\right] &= E[x_tx_{t-1}] \\ &= E[(\phi_1x_{t-1}+\varepsilon_t)x_{t-1}] \\ &= \phi_1 E[x_{t-1}^2] + E[\varepsilon_t x_{t-1}] \\ &= \phi_1 \gamma_0 \end{aligned}$
因此，该命题为错误。
(3) 正确。由于AR(1)模型具有平稳性和有限二阶矩的性质，因此当 $k > 0$ 时，有 $\rho_k=\phi_1^k$ 。
(4) 错误。 $\phi_{kk}=\begin{cases}\phi_1,&k=1\\ 0,&k\geqslant2\end{cases}$
(5) 正确。由于AR(1)模型具有平稳性和有限二阶矩的性质，因此当 $k > 0$ 时，有 $\rho_k=\phi_1\rho_{k-1}$ 。
已知某中心化 $\mathrm{MA}(1)$ 模型 1 阶自相关系数 $\rho_1=0.4$ , 求该模型的表达式.
$\rho_{1}=\frac{-\theta_{1}}{1+\theta_{1}^{2}}=0.4 \Rightarrow 0.4 \theta_{1}^{2}+\theta_{1}+0.4=0 \Rightarrow \theta_{1}=-2 \text { 或者 } \theta_{1}=-\frac{1}{2}$

所以该模型有两种可能的表达式: $x_{t}=\varepsilon_{t}+\frac{1}{2} \varepsilon_{t-1}$ 和 $x_{t}=\varepsilon_{t}+2 \varepsilon_{t-1}$ 。
确定常数 $C$ 的值, 以保证如下表达式为 $\mathrm{MA}(2)$ 模型:

$x_t=10+0.5 x_{t-1}+\varepsilon_t-0.8 \varepsilon_{t-2}+C \varepsilon_{t-3}$
将 $x_{t}=10+0.5 x_{t-1}+\varepsilon_{t}-0.8 \varepsilon_{t-2}+C \varepsilon_{t-3}$ 等价表达为
$x_{t}-10=\frac{1-0.8 B^{2}+c B^{3}}{1-0.5 B} \varepsilon_{t}=\left(1+a B+b B^{2}\right) \varepsilon_{t}$

则

$\begin{aligned} 1-0.8 B^{2}+c B^{3} & =\left(1+a B+b B^{2}\right)(1-0.5 B) \\ & =1+(a-0.5) B+(b-0.5 a) B^{2}-0.5 b B^{3} \end{aligned}$

根据待定系数法:

$\begin{aligned} -0.8 & =a-0.5 \Rightarrow a=-0.3 \\ 0 & =-0.5 b \Rightarrow b=0 \\ c & =b-0.5 a \Rightarrow c=0.15 \end{aligned}$

已知 $\mathrm{MA}(2)$ 模型为: $x_t=\varepsilon_t-0.7 \varepsilon_{t-1}+0.4 \varepsilon_{t-2}, \varepsilon_t \sim W N\left(0, \sigma_{\varepsilon}^2\right)$ . 求 $E\left(x_t\right), \operatorname{Var}\left(x_t\right)$ , 及 $\rho_k(k \geqslant 1)$ .

(1) $E\left(x_{t}\right)=0$

(2) $\operatorname{Var}\left(x_{t}\right)=1+0.7^{2}+0.4^{2}=1.65$

(3) $\rho_{1}=\frac{-0.7-0.7 \times 0.4}{1.65}=-0.59, \quad \rho_{2}=\frac{0.4}{1.65}=0.24, \quad \rho_{k}=0, k \geq 3$
证明:

(1) 对任意常数 $c$ , 如下定义的无穷阶 MA 序列一定是非平稳序列:
$x_{t}=\varepsilon_{t}+c\left(\varepsilon_{t-1}+\varepsilon_{t-2}+\cdots\right), \quad \varepsilon_{t} \sim W N\left(0, \sigma_{\varepsilon}^{2}\right)$

证明: 因为对任意常数 C, 有

$\operatorname{Var}\left(x_{t}\right)=\lim _{k \rightarrow \infty}\left(1+k C^{2}\right) \sigma_{\varepsilon}^{2}=\infty$

所以该序列为非平稳序列。

(2) $\left\{x_{t}\right\}$ 的 1 阶差分序列一定是平稳序列, 并求 $\left\{y_{t}\right\}$ 自相关系数表达式:
$y_{t}=x_{t}-x_{t-1}$

$y_{t}=x_{t}-x_{t-1}=\varepsilon_{t}+(C-1) \varepsilon_{t-1}$ , 则序列 $\left\{y_{t}\right\}$ 满足如下条件:

均值、方差为常数,

$E\left(y_{t}\right)=0, \operatorname{Var}\left(y_{t}\right)=\left[1+(C-1)^{2}\right] \sigma_{\varepsilon}^{2}$

自相关系数只与时间间隔长度有关, 与起始时间无关

$\rho_{1}=\frac{C-1}{1+(C-1)^{2}}, \rho_{k}=0, k \geq 2$

所以该差分序列为平稳序列。
检验下列模型的平稳性与可逆性, 其中 $\left\{\varepsilon_{t}\right\}$ 为白噪声序列:
(1) $x_{t}=0.5 x_{t-1}+1.2 x_{t-2}+\varepsilon_{t}$
检验平稳性：该模型的特征方程为 $1-0.5z-1.2z^2=0$ ，解得特征根为 $z_1=1.0517,\,z_2=-0.4784$ 。由于其中一个特征根的模长大于 1，因此该模型不是平稳的。
(2) $x_{t}=1.1 x_{t-1}-0.3 x_{t-2}+\varepsilon_{t}$
检验平稳性：该模型的特征方程为 $1-1.1z+0.3z^2=0$ ，解得特征根为 $z_1=0.3667, z_2=1.3667$ 。由于 $z_2|>1$ ，因此该模型不是平稳的。
(3) $x_{t}=\varepsilon_{t}-0.9 \varepsilon_{t-1}+0.3 \varepsilon_{t-2}$
检验平稳性：该模型的特征方程为 $1+0.9z-0.3z^2=0$ ，解得特征根为 $z_1=0.5,\,z_2=-0.6$ 。由于所有特征根的模长都小于 1，因此该模型是平稳的。检验可逆性：该模型与 ARMA $(2, 2)$ 模型相同，因此也是可逆的。
(4) $x_{t}=\varepsilon_{t}+1.3 \varepsilon_{t-1}-0.4 \varepsilon_{t-2}$
检验平稳性：该模型的特征方程为 $1-1.3z+0.4z^2=0$ ，解得特征根为 $z_1=1.465,\,z_2=0.272$ 。其中一个特征根的模长大于 1，因此该模型不是平稳的。检验可逆性：该模型与 ARMA $(2, 2)$ 模型相同，因此不可逆。
(5) $x_{t}=0.7 x_{t-1}+\varepsilon_{t}-0.6 \varepsilon_{t-1}$
检验平稳性：该模型的特征方程为 $1-0.7z+0.6z^2=0$ ，解得特征根为 $z_1=0.5,\,z_2=1$ 。其中一个特征根的模长等于 1，因此需要进一步检验可逆性。检验可逆性：该模型与 ARMA $(1, 1)$ 模型相同，因此可逆。
(6) $x_{t}=-0.8 x_{t-1}+0.5 x_{t-2}+\varepsilon_{t}-1.1 \varepsilon_{t-1}$
检验平稳性：该模型的特征方程为 $1+0.8z-0.5z^2-1.1z^{-1}=0$ ，解得特征根为 $z_1=1.0501,\,z_2=0.9804\pm0.1083i,\,z_3=0.9452\pm0.2306i,\,z_4=0.7889\pm0.5491i,\,z_5=-0.9258\pm0.3732i,\,z_6=-0.9679\pm0.2607i,\,z_7=-0.9720\pm0.2341i,\,z_8=-0.9880\pm0.1402i,\,z_9=-0.9893\pm0.1303i,\,z_{10}=-1.0000$ 。其中有一个特征根的模长大于 1，因此该模型不是平稳的。检验可逆性：因为该模型的特征方程中包含了一个反转算子 $z^{-1}$ ，因此该模型不是可逆的。
综上所述，(1)不是平稳的；(2)不是平稳的；(3)是平稳的并且可逆；(4)不是平稳的并且不可逆；(5)是平稳的并且可逆；(6)不是平稳的并且不可逆。
已知 $\operatorname{ARMA}(1,1)$ 模型为: $x_{t}=0.6 x_{t-1}+\varepsilon_{t}-0.3 \varepsilon_{t-1}$ , 确定该模型的 Green 函数，使该模型可以等价表示为无穷 $\mathrm{MA}$ 阶模型形式.

该模型的 Green 函数为:

$G_{0}=1$

$G_{1}=\phi_{1} G_{0}-\theta_{1}=0.6-0.3=0.3$

$G_{k}=\phi_{1} G_{k-1}=\phi_{1}^{k-1} G_{1}=0.3 \times 0.6^{k-1}, k \geq 2$

所以该模型可以等价表示为: $x_{t}=\varepsilon_{t}+\sum_{k=0}^{\infty} 0.3 \times 0.6^{k} \varepsilon_{t-k-1}$
某 $\operatorname{ARMA}(2,2)$ 模型为: $\Phi(B) x_{t}=3+\Theta(B) \varepsilon_{\imath}$ , 求 $E\left(x_{t}\right)$ . 其中, $\varepsilon_{t} \sim W N\left(0, \sigma_{\varepsilon}^{2}\right)$ , $\Phi(B)=(1-0.5 B)^{2}.$
$\begin{aligned} & \Theta(B)=(1-0.5 B)^{2} \Rightarrow \phi_{1}=0.5, \quad \phi_{2}=-0.25 \\ & E\left(x_{t}\right)=\frac{\phi_{0}}{1-\phi_{1}-\phi_{2}}=\frac{3}{1-0.5+0.25}=4 \end{aligned}$
证明 $\operatorname{ARMA}(1,1)$ 序列 $x_{t}=0.5 x_{t-1}+\varepsilon_{t}-0.25 \varepsilon_{t-1}, \varepsilon_{t} \sim W N\left(0, \sigma_{\varepsilon}^{2}\right)$ 的自相关系数为:

$\rho_{k}= \begin{cases}1, & k=0 \\ 0.27, & k=1 \\ 0.5 \rho_{k-1}, & k \geqslant 2\end{cases}$

已知 $\phi_{1}=\frac{1}{2}, \theta_{1}=\frac{1}{4}$ , 根据 $A RM A (1, 1)$ 模型 Green 函数的递推公式得：
$G_{0}=1$ ,
$G_{1}=\phi_{1} G_{0}-\theta_{1}=0.5-0.25=\phi_{1}^{2}$
$G_{k}=\phi_{1} G_{k-1}=\phi_{1}^{k-1} G_{1}=\phi_{1}^{k+1}, k \geq 2$
$\rho_{0}=1$
$\begin{aligned} & \rho_{1}=\frac{\sum_{j=0}^{\infty} G_{j} G_{j+1}}{\sum_{j=0}^{\infty} G_{j}^{2}}=\frac{\phi_{1}^{2}+\sum_{j=1}^{\infty} \phi_{1}^{2 j+3}}{1+\sum_{j=1}^{\infty} \phi_{1}^{2(j+1)}}=\frac{\phi_{1}^{2}+\frac{\phi_{1}^{5}}{1-\phi_{1}^{2}}}{1+\frac{\phi_{1}^{4}}{1-\phi_{1}^{2}}}=\frac{\phi_{1}^{2}-\phi_{1}^{4}+\phi_{1}^{5}}{1-\phi_{1}^{2}+\phi_{1}^{4}}=\frac{7}{26}=0.27 \\ & \rho_{k}=\frac{\sum_{j=0}^{\infty} G_{j} G_{j+k}}{\sum_{j=0}^{\infty} G_{j}^{2}}=\frac{\sum_{j=0}^{\infty} G_{j}\left(\phi_{1} G_{j+k-1}\right)}{\sum_{j=0}^{\infty} G_{j}^{2}}=\phi_{1} \frac{\sum_{j=0}^{\infty} G_{j} G_{j+k-1}}{\sum_{j=0}^{\infty} G_{j}^{2}}=\phi_{1} \rho_{k-1}, k \geq 2 \end{aligned}$

证毕。

对于平稳时间序列, 以下等式哪些一定成立?

(1) $\sigma_{\varepsilon}^{2}=E\left(\varepsilon_{1}^{2}\right)$

(2) $\operatorname{Cov}\left(y_{t}, y_{t+k}\right)=\operatorname{Cov}\left(y_{t}, y_{t-k}\right)$

(3) $\rho_{k}=\rho_{-k}$

(4) $\widehat{y}_{t}(k+1)=\widehat{y}_{t+1}(k)$ .

(1) 成立
(2) 成立
(3) 成立
(4) 成立

1915-2004年澳大利亚每年与枪支有关的凶杀案死亡率（每10万人）如表所示。
(1)如果判断该序列平稳，请确定平稳序列具有ARMA中哪个模型的特征。
(2)如果判断该序列非平稳，请考察一阶差分后序列的平稳性和相关性特征。

年	死亡率
1915	0.5215052
1916	0.4248284
1917	0.4250311
1918	0.4771938
1919	0.8280212
1920	0.6156186
1921	0.366627
1922	0.4308883
1923	0.2810287
1924	0.4646245
1925	0.2693951
1926	0.5779049
1927	0.5661151
1928	0.5077584
1929	0.7507175
1930	0.6808395
1931	0.7661091
1932	0.4561473
1933	0.4977496
1934	0.4193273
1935	0.6095514
1936	0.457337
1937	0.5705478
1938	0.3478996
1939	0.3874993
1940	0.5824285
1941	0.2391033
1942	0.2367445
1943	0.2626158
1944	0.4240934
1945	0.365275
1946	0.3750758
1947	0.4090056
1948	0.3891676
1949	0.240261
1950	0.1589496
1951	0.4393373
1952	0.5094681
1953	0.3743465
1954	0.4339828
1955	0.4130557
1956	0.3288928
1957	0.5186648
1958	0.5486504
1959	0.5469111
1960	0.4963494
1961	0.5308929
1962	0.5957761
1963	0.5570584
1964	0.5731325
1965	0.5005416
1966	0.5431269
1967	0.5593657
1968	0.6911693
1969	0.4403485
1970	0.5676662
1971	0.5969114
1972	0.4735537
1973	0.5923935
1974	0.5975556
1975	0.6334127
1976	0.6057115
1977	0.7046107
1978	0.4805263
1979	0.702686
1980	0.7009017
1981	0.6030854
1982	0.6980919
1983	0.597656
1984	0.8023421
1985	0.6017109
1986	0.5993127
1987	0.6025625
1988	0.7016625
1989	0.4995714
1990	0.4980918
1991	0.497569
1992	0.600183
1993	0.3339542
1994	0.274437
1995	0.3209428
1996	0.5406671
1997	0.4050209
1998	0.2885961
1999	0.3275942
2000	0.3132606
2001	0.2575562
2002	0.2138386
2003	0.1861856
2004	0.1592713

1. 将数据转换为时间序列变量，并进行可视化：

data <- read.table('./时间序列分析——基于R（第2版）习题数据/习题3.16数据.txt', header = TRUE, sep = "\t")
#将年份转换为时间序列类型
death <- ts(data$死亡率, start = c(1915), end = c(2004), frequency = 1)
#可视化
plot(death, type = "l", main = "1915-2004年澳大利亚枪支凶杀案死亡率",
     xlab = "年份", ylab = "死亡率")

在这里插入图片描述
2. 对时间序列进行平稳性检验：

library(tseries)
## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo
#进行ADF检验
adf.test(death)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  death
## Dickey-Fuller = -1.2491, Lag order = 4, p-value = 0.8853
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(death)
## Warning in kpss.test(death): p-value greater than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  death
## KPSS Level = 0.19826, Truncation lag parameter = 3, p-value = 0.1

结论：
ADF检验的p值大于0.05，不能拒绝原假设，即序列不平稳；
KPSS检验的p值小于0.05，拒绝原假设，即序列非平稳。

3. 进行一阶差分操作并再次进行平稳性检验：

diff_ts <- diff(death)
#可视化
plot(diff_ts, type = "l", main = "差分后的1915-2004年澳大利亚枪支凶杀案死亡率",
     xlab = "年份", ylab = "差分后的死亡率")

在这里插入图片描述

#进行ADF检验
adf.test(diff_ts)
## Warning in adf.test(diff_ts): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  diff_ts
## Dickey-Fuller = -5.1026, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(diff_ts)
## Warning in kpss.test(diff_ts): p-value greater than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  diff_ts
## KPSS Level = 0.099305, Truncation lag parameter = 3, p-value = 0.1

结论：
一阶差分后序列显著平稳；
KPSS检验的p值大于0.05，不能拒绝原假设，即序列在一级差分下趋向平稳。

4. 对一阶差分后的序列进行ACF和PACF分析，确定ARMA模型：

#ACF和PACF
par(mfrow = c(1,2))
acf(diff_ts, main = "ACF")
pacf(diff_ts, main = "PACF")

在这里插入图片描述
结论：
ACF显示序列具有明显的相邻滞后自相关性，PACF显示序列具有截尾的自回归（AR）特征。
因此，可以选择ARMA(p,0)模型，其中p取值为2或3。

1860-1955年密歇根湖每月平均水位的最高值序列如下表所示。
(1)如果判断该序列平稳，请确定平稳序列具有ARMA中哪个模型的特征。
(2)如果判断该序列非平稳，请考察一阶差分后序列的平稳性和相关性特征。

1. 将数据转换为时间序列变量，并进行可视化：

data <- read.table('./时间序列分析——基于R（第2版）习题数据/习题3.17数据.txt', header = TRUE, sep = "\t")
#将年份转换为时间序列类型
level <- ts(data$水位, start = c(1860), end = c(1955), frequency = 1)
#可视化
plot(level, type = "l", main = "1860-1955年密歇根湖每月平均水位变化",
     xlab = "年份", ylab = "水位")

在这里插入图片描述

2. 对时间序列进行平稳性检验：

library(tseries)
#进行ADF检验
adf.test(level)
## 
##  Augmented Dickey-Fuller Test
## 
## data:  level
## Dickey-Fuller = -2.3833, Lag order = 4, p-value = 0.4181
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(level)
## Warning in kpss.test(level): p-value smaller than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  level
## KPSS Level = 1.3798, Truncation lag parameter = 3, p-value = 0.01

结论：
ADF检验的p值大于0.05，不能拒绝原假设，即序列不平稳；
KPSS检验的p值小于0.05，拒绝原假设，即序列非平稳。

3. 进行一阶差分操作并再次进行平稳性检验：

diff_le <- diff(level)
#可视化
plot(diff_le, type = "l", main = "差分后的1860-1955年密歇根湖每月平均水位变化",
     xlab = "年份", ylab = "差分后的水位")

在这里插入图片描述

#进行ADF检验
adf.test(diff_le)
## Warning in adf.test(diff_le): p-value smaller than printed p-value
## 
##  Augmented Dickey-Fuller Test
## 
## data:  diff_le
## Dickey-Fuller = -5.6057, Lag order = 4, p-value = 0.01
## alternative hypothesis: stationary
#进行KPSS检验
kpss.test(diff_le)
## Warning in kpss.test(diff_le): p-value greater than printed p-value
## 
##  KPSS Test for Level Stationarity
## 
## data:  diff_le
## KPSS Level = 0.07181, Truncation lag parameter = 3, p-value = 0.1

结论：
一阶差分后序列显著平稳；
KPSS检验的p值大于0.05，不能拒绝原假设，即序列在一级差分下趋向平稳。

4. 对一阶差分后的序列进行ACF和PACF分析，确定ARMA模型：

#ACF和PACF
par(mfrow = c(1,2))
acf(diff_le, main = "ACF")
pacf(diff_le, main = "PACF")

在这里插入图片描述

通过对一阶差分后的序列进行ACF和PACF分析。

ACF图从lags=1开始缓慢衰减，这表明一个AR(1)模型可能适合这个序列。但是随着滞后越来越大，ACF越来越接近于0，这意味着一个MA(1)模型也可能是适合的。

PACF图在lags=1处截尾，这表明一个AR(1)模型可能是适合的。但是在lags=2处，PACF又显着为负值，这表明可能还需要一个MA(1)项来解释该序列。

可以看出ARMA(1,1)模型可能是比较合适的模型特征。

Data新青年

关注

37
点赞
踩
226

收藏

觉得还不错? 一键收藏
打赏
6
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录