matlab建立ar时间序列模型_时序分析基本理论与方法——时间序列模型及其性质...

时间序列模型及其性质

为了能够描述时间序列之间的内在联系及其发展规律，需要建立时序模型，它能够有效的用于时间序列的预测和控制分析。目前，常用的时间序列模型有自回归模型（Auto Regressive Model，简称 AR 模型），移动平均模型（Moving Average Model，简称 MA 模型），自回归移动平均模型（Auto Regressive Moving Average Model，简称 ARMA 模型 ）以及自回归求和移动平均模型（Integrate Auto Regressive Moving Average Model，简称 ARIMA 模型）[37]。考虑到非平稳序列的 ARIMA 模型可通过对非平稳序列做一定阶次的差分，转化为平稳序列的ARMA 模型，下文将不再对非平稳序列的 ARIMA 模型作介绍。

1. 自回归模型—AR 模型

时序模型的性质可从自相关函数（ACF）、偏相关函数（PACF）角度分析。AR模型的自相关系数可由下列方程组求得：

上述联立的方程组称为 Yule-Walker 方程，解方程得：

通常，AR 模型的自相关系数具有拖尾性，即其自相关系数(ACF)在某一步之后不为零，而是按某一形式缓慢衰减；而 AR 模型的偏自相关系数(PACF)不同于其自相关系数的变化趋势，它将在 p 步以后以某种方式迅速衰减为零，这个变化过程可视其具有截尾性。

2 移动平均模型—MA 模型

MA(q)模型的自相关系数表示如下：

3 自回归移动平均模型—ARMA 模型

对 ARMA(p、q)而言，其自相关系数和偏自相关系数都具有拖尾性，可根据这一特性判断时间序列是否具有ARMA(p、q)模型结构。

《来源科技文献，经本人分析整理，以技术会友，广交天下朋友》