什么是时间序列?
时间序列就是一系列随着时间的变化而观察得到的数据,这些数据可能来自自然、来自社会发展抑或是来自于实验。举个例子,我们的体重,如果我们从周一到周天每天测一次体重,那么这些数据就构成了一个时间序列,他们按时间构成序列,不能随意的交换位置。
拿到时间序列后我们应该做什么?
首先我们需要的是将数据以图的形式(将时间作为x轴,对应的值作为y轴)呈现出来,并仔细的观察图片,从中提取信息。因为图可以很好的反映数据随时间的演变,从图中我们可以看到数据的整体趋势抑或是数据的周期性(季节性)。
下面我们看个实际例子:
下表是2014-2019年上海港集装箱的吞吐量数据(注:数据来自于中华人民共和国交通运输部)
月份\年份 2014 2015 2016 2017 2018 2019 1 301 315 298 328 339 375 2 221 252 257 262 275 286 3 302 310 300 340 338 381 4 298 310 312 323 352 361 5 300 315 312 350 362 376 6 303 307 310 340 360 376 7 305 310 325 350 355 385 8 310 315 330 345 347 376 9 295 310 313 338 381 371 10 300 302 322 340 353 363 11 290 304 320 355 350 355 12 304 304 314 347 389.02 327 很显然,上海港2014-2019每月的集装箱吞吐量数据组成了上述时间序列,那么我们绘制数据对应的图(我们将这种图称为时间序列图):
从全局上来看,正如图中红色直线所示,我们可以看出这些数据的整体趋势是在上升,其次观察每个橙色方框(每年的数据)我们也可以看出每一年数据的变化趋势具有相似性,也就是说,上述数据具有周期性,周期为年。
于是我们通常用Xt来表示时间序列在时间t时对应的值,这里的Xt具有随机性,也就是说,如果t时刻还没有到来,那么Xt的值就是未知的,所以接着我们用xt来表示t时刻已经到来之后的值,并把xt称为Xt的样本或观测值。故有如下定义:一个由随机变量Xt组成的有序序列(以时间t为索引)就称为时间序列且 t ∈ T = { ⋯ , − n , ⋯ , − 1 , 0 , 1 , ⋯ , n , ⋯ } t \in T = \left\{\cdots,-n,\cdots,-1,0,1,\cdots,n,\cdots\right\} t∈T={⋯,−n,⋯,−1,0,1,⋯,n,⋯}。而我们记录的时间序列的值就称为时间序列的一个实现(样本或者观测值)。
在明确的背景下,我们也可以把时间序列的样本简称为时间序列,并用 { x 1 : n } = { x t ; t = 1 , 2 , ⋯ , n } \left\{x_{1:n}\right\}=\left\{x_t;t=1,2,\cdots,n\right\} {x1:n}={xt;t=1,2,⋯,n}来表示。
时间序列分析的目标是什么?
时间序列分析的目标根据其应用背景的不同而不同:
- 在计量经济学、定量金融学、地震学、气象学和地球物理学领域,时间序列分析最重要的目的是预测时间序列的未来演变。
- 在信号处理和通信工程领域,时间序列分析尤其用于信号检测和估计。
- 在数据挖掘、模式识别和机器学习领域,时间序列分析可用于聚类、分类、异常检测以及预测。
通俗来说,时间序列分析的目标就是利用描述性统计分析方法去分析时间序列数据(其中时间序列图的作用颇丰)。下面列举几个时间序列图的优势:
- 我们可以从时间序列图中看出确定的趋势
- 我们可以从时间序列图中看出确定的周期性(季节性)
- 我们可以从时间序列图中看出异常值或异常现象