时间序列ARIMA

最新推荐文章于 2024-08-24 22:20:32 发布

weixin_34205826

最新推荐文章于 2024-08-24 22:20:32 发布

阅读量778

点赞数 1

文章标签：数据结构与算法

原文链接：https://juejin.im/post/5bc6e95a6fb9a05cd77772d3

版权

平稳性

严平稳性与弱平稳性

差分法：时间序列在t与t-1时刻的差值

一阶差分后的系数其实就是dy对d(dx)的变化，就是用后一变量值减去前一变量值，即x2-x1 x3-x2 x4-x3 等等。最简单的一阶差分即数列相邻两项之差。对GDP来说，一阶差分后得到了相对于上一阶段涨幅值，回归可以得到涨幅的变化趋势，可以用来预测某月的GDP增长量。

自回归模型（AR）

γ和线性回归中的W类似，是需要求解的参数，P是需要评估的参数，阶数指当前时间和前一刻时间或前两刻时间的关系。

自回归模型的限制

移动平均模型（MA）

求解什么样的参数θ与误差ε组合是最合适的，能够更好的消除随机波动。

自回归移动平均模型(ARMA)

ARIMA（p,d,q）模型全称为差分自回归移动平均模型(Autoregressive Integrated Moving Average Model)

这里的滞后值是指差分项。

自相关函数ACF(autocorrelation function)

横轴是阶数，纵轴是相关系数的取值

偏自相关函数(PACF, partial autocorrelation function)

ARIMA(p,d,q)阶数确定：

截尾：落在置信区间内(95%的点都符合该规则)

ARIMA建模流程

模型选择AIC与BIC：选择更简单的模型

k越小越好，极大似然估计越大越好。

模型残差检测

什么是平稳？

平稳就是围绕着一个常数上下波动。看看下面这个图，很明显的增长趋势，不平稳。

自相关系数和偏相关系数

用eviews得到自相关和偏相关图，Q统计量和伴随概率。

分析：判断是否平稳，用自相关图和偏相关图就可以。

平稳序列的自相关图和偏相关图不是拖尾就是截尾。截尾就是在某阶之后，系数都为 0 ，怎么理解呢，看上面偏相关的图，当阶数为 1 的时候，系数值还是很大， 0.914. 二阶长的时候突然就变成了 0.050. 后面的值都很小，认为是趋于 0 ，这种状况就是截尾。再就是拖尾，拖尾就是有一个衰减的趋势，但是不都为 0 。

自相关图既不是拖尾也不是截尾。以上的图的自相关是一个三角对称的形式，这种趋势是单调趋势的典型图形。

如果自相关是拖尾，偏相关截尾，则用 AR 算法

如果自相关截尾，偏相关拖尾，则用 MA 算法

如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似。

不平稳的情况用差分

差分是数学中的一个概念。它将原函数 f(x) 映射到 f(x+a)-f(x+b)。
zh.wikipedia.org/wiki/差分

上面那个序列，两种方法都证明他是不靠谱的，不平稳的。确定不平稳后，依次进行1阶、2阶、3阶...差分，直到平稳位置。先来个一阶差分。

一阶差分的效果不错，看着是平稳的。

什么是移动平均？

support.minitab.com/zh-cn/minit…

移动平均值是根据人为划分的连续观测值子组计算的平均值。在绘制控制图时，可以为时间加权数据创建移动平均控制图。在时间序列分析中，Minitab 使用移动平均值来平滑数据并减少时间序列中的随机波动。
例如，一家办公产品供应公司每天都要监控库存水平。他们想使用长度为 2 的移动平均值来跟踪库存水平以平滑处理数据。他们针对其中一款产品收集 8 天的数据。

第一个移动平均值为 4310，也就是第一个观测值。（在时间序列分析中，不计算移动平均系列中的第一个值；它是缺失值。）第二个移动平均值是前两个观测值的平均值，即 (4310 + 4400) / 2 = 4355。第三个移动平均值是观测值 2 和观测值 3 的平均值，即 (4400 + 4000) / 2 = 4200。如果要使用长度为 3 的移动平均值，将使用三个值（而不是两个值）来进行平均计算。

应当使用哪个移动平均长度值？

对于非季节性时间序列，通常使用短移动平均使序列平滑，但您选择的长度可能依赖于序列中的噪音量。较长的移动平均过滤掉更多噪声，但对序列中的变化也不太敏感。对于季节性序列，通常使用与周期长度相同的移动平均长度。例如，可为年度循环的月度数据选择移动平均长度 12。

单指数平滑

要在您的时间序列不呈现某种趋势或季节性模式时使用可为更旧的观测值提供递减权重的方法来平滑处理您的序列。

双指数平滑

要在您的时间序列呈现某种趋势但不呈现季节性模式时使用可为更旧的观测值提供递减权重的方法来平滑处理您的序列。

Winters 方法

要在您的时间序列呈现某种季节性模式（带有或不带有趋势）时使用可为更旧的观测值提供递减权重的方法来平滑处理您的序列。

什么是时间序列？

时间序列是均匀时间间隔上的观测值序列。例如：

过去五年内每月的失业率
一个月内制造厂的日产量
上个世纪一个州每十年的人口

时间序列的要素:
趋势
序列上升或下降的长期趋势（向上的趋势或向下的趋势）。
季节性*
某个时期内时间序列中的周期性波动。这些波动形成一种倾向于在季节性周期之间重复的模式。
循环
因季节性之外的因素而大大偏离趋势。循环通常在较长的时间区间上发生，并且循环的连续波峰或波谷之间的时间长度不一定相同。
不规则运动
解释趋势、季节性和循环运动后剩余的运动；时间序列中的随机噪声或误差。

什么是预测？

预测是一种在时间序列分析中广泛使用的方法，用于预测指定时间段内的响应变量，例如每月利润、股票表现或失业数据。预测是基于现有数据中的模式进行的。例如，一位仓库经理可以基于前 12 个月的订购活动预测接下来的 3 个月中需要订购多少产品。

您可以使用多种时间序列方法（例如，趋势分析、分解或单指数平滑）对数据中的模式建模，然后将这些模式外推至未来。可以基于模式是静态（在一段时间内恒定）还是动态（随时间改变）、趋势和季节性分量的性质以及要提前多久预测来选择分析方法。生成预测之前，对数据拟合多个候选模型以确定最稳定和最准确的模型。

什么是单纯预测？

在单纯预测中，时间 t 的预测是时间 t -1 处的数据值。您可以通过将移动平均长度设置为 1 来使用移动平均过程计算单纯预测值，或者通过将权重设置为 1 来使用单指数平滑过程计算单纯预测值。可以使用单纯预测来为时间序列模型建立基准。对单纯模型的准确度度量和使用其他方法的模型的准确度度量进行比较。如果单纯模型的拟合度好，就不应当使用另一个模型，因为单纯模型拟合得好而且更简单。