目录
第一部分 经典论文分析
第二部分 ARIMA模型以及stata操作实例
(1)ARMA模型分析原理
(2)ADL模型分析原理
(3)stata实例操作
第三部分 VAR模型以及stata操作实例
时间序列是指以固定时间为间隔的、由所观察的值组成的序列。根据观测值的不同频率,可将时间序列分成小时、天、星期、月份、季度和年等时间形式的序列。有时候,你也可以将秒钟和分钟作为时间序列的间隔,如每分钟的点击次数和访客数等等。
为什么我们要对时间序列进行分析呢?因为当你想对一个序列进行预测时,首先要完成分析这个步骤。除此之外,时间序列的预测也具有极大商业价值,如企业的供求量、网站的访客量以及股票价格等,都是极其重要的时间序列数据。
早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测,因此随着Box and Jenkins(1984)等奠基性的研究,时间序列方法得到迅速发展。从单变量时间序列到多元时间序列模型,从平稳过程到非平稳过程,时间序列分析方法被广泛应用于经济、气象和过程控制等领域。本章将介绍如下时间序列分析方法,ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。
第一部分 经典论文分析
在全球人口增长和气候变化的背景下,监测农作物是维持农业的必要条件保护自然资源。许多研究已经证明了光学和合成孔径雷达的能力遥感数据估计作物参数,这些数据没有经过比较或组合预测作物物候期。尽管SAR极化数据对作物物候期高度敏感,但没有研究使用了高时间分辨率的数据。免费提供的SAR时间序列为每周以高空间分辨率监测作物物候提供了一个独特的机会基础。