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》