差分法（Differencing），多变量差分对多个时间序列进行联合分析

介绍

差分法（Differencing）是时间序列分析中的一种重要技术，主要用于使非平稳时间序列变得平稳，以便能够应用诸如ARIMA（AutoRegressive Integrated Moving Average）模型等线性模型。非平稳时间序列通常具有趋势或季节性成分，通过差分可以去除这些成分，从而使数据更加适合建模和预测。

差分法的基本概念

一阶差分

最常见的差分是一阶差分，计算方法是：

一阶差分主要用于去除时间序列中的线性趋势。如果原始序列有稳定的上升或下降趋势，一阶差分可以将其转化为平稳的时间序列。

二阶差分

如果一阶差分不足以去除趋势（例如，时间序列中存在二次趋势），则可以使用二阶差分：

二阶差分可以去除二次趋势。

季节性差分

对于具有季节性周期的时间序列，季节性差分可以帮助去除季节性成分：

其中
𝑠 是季节性周期（如一年中的月份数12，或一周中的天数7）。季节性差分是用当前的值减去一个周期前的值，以消除季节性波动。

差分法的应用场景

差分法广泛应用于时间序列分析的多个领域，特别是在以下场景中表现突出：

经济与金融

股票价格：股票价格通常具有长期上升或下降的趋势。通过一阶差分可以消除趋势，使价格变化率（而非价格本身）成为平稳序列，从而更好地进行预测。
经济指标：如GDP、通货膨胀率等，这些指标通常随着时间呈现出非平稳的趋势，通过差分处理，可以更有效地进行建模。

气象与环境科学

气温和降水量：季节性差分可以用于去除气温和降水量中的季节性成分，从而使这些数据更适合预测模型。

工程与信号处理

感器数据：许多工程中的传感器数据，特别是那些随着时间累积误差或趋势的信号，可以通过差分去除趋势，从而更精确地分析短期变化

差分法的优缺点

优点

平稳化序列：差分可以有效去除趋势和季节性成分，使非平稳序列转化为平稳序列，从而适合应用线性建模技术。
简单易行：差分的计算相对简单，易于理解和实现。
广泛适用：适用于各种类型的时间序列，尤其是那些带有明显趋势或季节性的序列。

缺点

信息丢失：差分可能会导致数据的部分信息丢失，尤其是在差分过度的情况下，可能会丢失原始序列中的重要特征。
噪声放大：差分过程可能会放大数据中的噪声，导致模型预测的准确性下降。
过度差分：差分次数过多可能会使时间序列过度平稳，甚至成为白噪声，这样反而不利于模型的有效建立

差分法的扩展与应用

在实际应用中，差分法常与其他方法结合使用，以处理更复杂的时间序列：

与ARIMA模型结合：差分法是ARIMA模型中的重要组成部分，ARIMA模型通过对时间序列进行差分平稳化，然后应用自回归和滑动平均模型来进行预测。

多变量差分：对多个时间序列的差分进行联合分析，可以捕捉不同时间序列之间的动态关系。

季节性ARIMA（SARIMA）：在具有季节性的时间序列中，结合季节性差分和ARIMA模型，可以有效地建模和预测这些序列

本文代码

我们将使用多个相关联的时间序列（GDP,失业率，通货膨胀率）进行差分处理，以分析它们的联合动态

核心代码

% 清理工作区
clear;
clc;
close all;

%% Step 1: 生成或导入多变量时间序列数据
% 假设我们有三个相关的时间序列数据（例如：GDP、失业率、通货膨胀率）
n = 200; % 样本点数量
t = (1:n)';

% 生成相关联的时间序列数据
rng(0); % 固定随机种子
GDP = cumsum(randn(n,1)) + 0.05*t; % GDP - 增加的随机游走
Unemployment = 0.5*GDP + randn(n,1); % 失业率 - GDP的部分影响
Inflation = 0.2*GDP - 0.3*Unemployment + randn(n,1); % 通货膨胀 - 受GDP和失业率影响

% 将数据放入表格中
data = table(t, GDP, Unemployment, Inflation);

% 可视化原始数据
figure;
subplot(3,1,1);
plot(t, GDP);
title('GDP');
ylabel('Value');
grid on;

subplot(3,1,2);
plot(t, Unemployment);
title('Unemployment');
ylabel('Rate');
grid on;

subplot(3,1,3);
plot(t, Inflation);
title('Inflation');
ylabel('Rate');
xlabel('Time');
grid on;

%% Step 2: 数据预处理（差分处理）
% 对每个时间序列进行一阶差分以去除趋势
% 将差分后的数据放入新表格中
diffData = table(t(2:end), diffGDP, diffUnemployment, diffInflation);

% 可视化差分后的数据
figure;
subplot(3,1,1);
plot(t(2:end), diffGDP);
title('Differenced GDP');
ylabel('Value');
grid on;

subplot(3,1,2);
plot(t(2:end), diffUnemployment);
title('Differenced Unemployment');
ylabel('Rate');
grid on;

subplot(3,1,3);
plot(t(2:end), diffInflation);
title('Differenced Inflation');
ylabel('Rate');
xlabel('Time');
grid on;

%% Step 3: 相关性分析
% 计算差分后的时间序列之间的相关系数
corrMatrix = corr([diffGDP, diffUnemployment, diffInflation]);

% 显示相关性矩阵
disp('Correlation matrix between differenced variables:');
disp(array2table(corrMatrix, 'VariableNames', {'GDP', 'Unemployment', 'Inflation'}, ...
    'RowNames', {'GDP', 'Unemployment', 'Inflation'}));

% 可视化相关性矩阵
figure;
heatmap({'GDP', 'Unemployment', 'Inflation'}, {'GDP', 'Unemployment', 'Inflation'}, corrMatrix);
title('Correlation Matrix of Differenced Variables');
colorbar;


% 拟合VAR模型
EstModel = estimate(VARmodel, Y);

% 显示VAR模型的系数
disp('Estimated VAR model coefficients:');
disp(EstModel.AR);

%% Step 5: 预测与可视化
% 进行预测（假设预测10个时间点）

% 可视化预测结果
figure;
subplot(3,1,1);
hold on;
plot(t(2:end), diffGDP, 'b', 'DisplayName', 'Observed');
plot(t(end)+[1:numPeriods]', Y_forecast(:,1), 'r', 'DisplayName', 'Forecast');
title('GDP Differenced - Forecast vs Observed');
ylabel('Value');
legend('show');
grid on;

subplot(3,1,2);
hold on;
plot(t(2:end), diffUnemployment, 'b', 'DisplayName', 'Observed');
plot(t(end)+[1:numPeriods]', Y_forecast(:,2), 'r', 'DisplayName', 'Forecast');
title('Unemployment Differenced - Forecast vs Observed');
ylabel('Rate');
legend('show');
grid on;

subplot(3,1,3);
hold on;
plot(t(2:end), diffInflation, 'b', 'DisplayName', 'Observed');
plot(t(end)+[1:numPeriods]', Y_forecast(:,3), 'r', 'DisplayName', 'Forecast');
title('Inflation Differenced - Forecast vs Observed');
ylabel('Rate');
xlabel('Time');
legend('show');
grid on;

代码说明

数据生成或导入：

在代码中，我们生成了三个相关的时间序列数据（GDP、失业率、通货膨胀率），其中每个序列都可能受到其他序列的影响。我们使用累积随机游走来模拟这些数据。

数据预处理（差分处理）：
对时间序列进行一阶差分，以去除趋势并使序列平稳化。这是VAR模型分析的前提条件，因为VAR模型要求输入的时间序列是平稳的。

相关性分析：
使用相关矩阵分析差分后时间序列之间的线性关系。相关性矩阵和热图可以帮助我们直观理解变量之间的关联强度。

构建VAR模型：
使用差分后的时间序列数据构建VAR模型。在这个示例中，选择滞后阶数为2，并估计模型系数。
VAR模型是多变量时间序列分析的强大工具，能够捕捉多个时间序列之间的动态相互作用。

预测与可视化：
基于估计的VAR模型，我们对未来的时间点进行预测，并将预测结果与实际观测数据进行对比。通过可视化，我们可以看到VAR模型对未来变化的预测效果

优化方向

模型阶数优化：可以通过信息准则（如AIC、BIC）来自动选择VAR模型的最佳滞后阶数。
季节性差分：如果时间序列具有季节性特征，可以结合季节性差分来进一步去除季节性影响。
多种差分组合：在实际应用中，可能需要结合多种差分方式，如季节性差分和一阶差分组合使用，以处理更复杂的非平稳序列。
模型扩展：可以扩展到VARMA（Vector Autoregressive Moving Average）模型，以捕捉更复杂的动态模式。

效果图示

完整代码获取

关注下方卡片公众号，回复“Diff”获取完整代码