时间序列定阶matlab,时间序模型判断及定阶

最新推荐文章于 2023-03-11 13:46:49 发布
最新推荐文章于 2023-03-11 13:46:49 发布
阅读量828 收藏 1
点赞数
文章标签： 时间序列定阶matlab

初次接触matlab及时间序列还请给位前辈多多指教！

我写的代码如下，可以正常运行。主要功能是平稳性检验及平稳化处理，求自相关函数、偏相关函数。AIC准则定阶。

现在的问题是在AIC定阶时我不知道结果是什么，怀疑是数据预处理没有完成，还望各位前辈多多指教。代码如下(有点长)；

clc,clear;

%function()

%+++++++++++++++++++++++++++实验数据+++++++++++++++++++++++++++++++

shiyan01=[1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18;

-0.7 -0.7 -1.7 -1.7 -2.1 -3.1 -3.6 -4.6 -5.3 -5.7 -6.5 -6.0 -6.1 -6.4 -6.7 -6.8 -6.9 -7.1];

tshiyan01=1:0.5:18;   %内插期数

shiyan02=[1 10 19 24 27 35 41 46 54 61 69 76;

5.38 5.15 6.69 8.30 8.12 11.05 13.04 11.9 16.26 17.56 18.61 18.03];

tshiyan02=1:3:76;    %内插期数

%+++++++++++++++++++++++++++应力数据+++++++++++++++++++++++++++++

yl0201=[1         13         16         20         22         24         26         31         34         36         43         45         49         53         57         61         65         66         70         71         72         73         77         78         79         85         94         101         104         114         120         129         136         139         148         155         161 ;

0.00000000         -4.16848320         -6.94561600         0.34752440         -0.34750120         5.91107000         6.25898880         12.17715800         22.28833280         -7.98665800         9.04317440         101.04583680         127.31974400         121.27260600         127.67566680         141.93160280         163.02686400         172.70756280         173.42532440         174.50214080         176.65640000         178.45225400         180.60804440         180.60804440         180.96742400         207.62589440         181.68625280         323.99977400         194.28077880         197.52396480         205.09870680         211.23813440         210.87680600         204.37686200         215.57588480         217.38426680         214.49113400 ];

tyl=1:3:161;   %内插期数

%+++++++++++++++++++++++++++数据赋值+++++++++++++++++++++++++++++++++++

shuju=yl0201;

qs=tyl;

%++++++++++++++++++++++++++插值处理+++++++++++++++++++++++++++++++++++++

q=shuju(1,:);

d=shuju(2,:);

cz=interp1(q,d,qs,'cubic');%%三次插值

figure(6);

subplot(2,1,1)

plot(q,d,'g'),title('原始数据');

subplot(2,1,2)

plot(qs,cz,'r'),title('内插后数据');

M=length(cz);

%+++++++++++++++++++++++平稳化处理及检验++++++++++++++++++++++++++++++++++

jy=cz;

jy=jy';jy=jy(:)';

l=length(jy);

[xsort,ind]=sort(jy);

Rt(ind)=1:l;

t=1:l;

Qs=1-6/(l.*(l^2-1)).*sum((t-Rt).^2);

T=Qs.*sqrt(l-2)/sqrt(1-Qs^2);

ta=tinv(0.975,l-2);

fprintf('平稳性检验结果；\n');

fprintf('   统计量T      下QS    统计量T的临界值ta \n');

fprintf('==================================================\n');

fprintf('%11.6f%11.6f%11.6f  %11.6f\n\n',T,Qs,ta);

if abs(T)>ta    %若数据不平稳进行平稳化处理

figure(1);

plot(qs,cz,'r'),title('原始数据');

fprintf('\n数据是非平稳数据，需要平稳化处理。\n')

p1=input('请选择曲线拟合阶次：');

xishu=polyfit(qs,cz,p1 );    %计算拟合曲线系数

nhqx=polyval(xishu,qs,p1);  %拟合曲线

pw=cz-nhqx;           %求残差

%+++++++++++++++++++++++对平稳后的时间序列进行平稳性检验+++++++++++++

cc=pw;    %以防在进行平稳检验是对数列有改变

cc=cc';cc=cc(:)';

l=length(cc);

[xsort,ind]=sort(cc);

Rt(ind)=1:l;

t=1:l;

Qs=1-6/(l.*(l^2-1)).*sum((t-Rt).^2);

T=Qs.*sqrt(l-2)/sqrt(1-Qs^2);

ta=tinv(0.975,l-2);

fprintf('平稳性检验结果；\n');

fprintf('   统计量T      下QS    统计量T的临界值ta \n');

fprintf('==================================================\n');

fprintf('%11.6f%11.6f%11.6f  %11.6f\n\n',T,Qs,ta);

if abs(T)>ta

fprintf('数据仍不平稳，需从新做平稳化处理\n');

else

fprintf('数据平稳。\n');

end

else

pw=cz;

fprintf('\n数据时平稳数据。\n');

end

figure(7);

plot(qs,pw,'g'),title('平稳处理后数据');

cancha=pw(1:M-5);

jmqs=qs(1:M-5);

l1=length(cancha);

%+++++++++++++++++++++++++++++++++求自相关函数+++++++++++++++++++++++++++++

zxghs=autocorr(cancha,[],2,2);  %残差数据为三十期

%autocorr()函数是时间序列自相关函数

%sm : 一个时间序列数据

%[]: 表示计算这个时间序列数据的自相关函数的延迟.

%2: 表示自相关函数在>2的所有延迟的自相关系数看作为0

%2: 表示在什么范围内时间序列的数据被看作是0

%++++++++++++++++++++++++++++++++++求偏相关函数++++++++++++++++++++++++++++

pxghs=parcorr(cancha,[],2,2);

%++++++++根据自相关函数和偏相关函数的拖尾截尾情况选择模型++++++++++++++++++++++

p1=length(zxghs);

p2=[1:1:p1];

figure(2);

plot(p2,zxghs,'r',p2,pxghs,'g'),legend('自相关函数','偏相关函数'),title('模型判断');

%+++++++++++++++++++++采用FPE定阶准则定阶++++++++++++++++++++++++++++++++++

N=length(cancha);

%++++++++++++++++++++++++++++AIC准则定阶+++++++++++++++++++++++++++++++++++

e=5;    %AIC准则定阶的最高阶

t=0;

for i=0:e

for j=0:e

spec=garchset('R',i,'M',j,'Display','off');

[coeffX,errorsX,LLFX]=garchfit(spec,cancha);

num=garchcount(coeffX);

[aic,bic]=aicbic(LLFX,num,10000);

t=t+1;

a(t)=aic;

b(t)=bic;

fprintf('R=%d.M=%d.AIC=%f.BIC=%f\n',i,j,aic,bic);

end

end

d=1:1:(e+1)^2;

figure(222);

plot(d,a,'r',d,b,'g'),legend('AIC','BIC'),title('AIC准则阶次判断');

fprintf('请依据AIC、BIC值选择(p、q)\n')

p=input('AR模型阶次：');

q=input('MA模型阶次：');

spec=garchset('R',p,'M',q,'Display','off');

[coeffX,errorsX,LLFX]=garchfit(spec,cancha);%计算拟合参数

%e=zeros(1,l1);

e(1)=0;

z=0;

%cancha(0)=0;

%y(1)=cancha(1);

%++++++++++++++++++++++++MA模型++++++++++++++++++++++++++++++++++

if p==0

if q>0

if q==1

for j=q+1:l1          %%%q为参与建模的期数

e(j)=cancha(j)-coeffX.MA*e(j-1);

MA(j)=e(j)-coeffX.MA*e(j-1);

end

end

if q==2

e(1:q)=0;

for j=q+1:l1          %%%q为参与建模的期数

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2);

end

end

if q==3

e(1:q)=0;

for j=q+1:l1          %%%q为参与建模的期数

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3);

end

end

if q==4

e(1:q)=0;

for j=q+1:l1          %%%q为参与建模的期数

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3)-coeffX.MA(4)*e(j-4);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3)-coeffX.MA(4)*e(j-4);

end

end

end

end

%++++++++++++++++++++++++AR模型++++++++++++++++++++++++++++++++++

if q==0

if p>0

for j=p+1:l1          %%%a：q中a=2，q为参与建模的期数

%y(j)=polyval(coeffX.MA,e(j-q:j-1),q)

for i=1:p

z=coeffX.AR(i)*cancha(j-i)+z;

end

AR(j)=z;

e(j)=cancha(j)-z;%计算残差

end

end

end

%++++++++++++++++++++++++ARMA模型++++++++++++++++++++++++++++++++++

if q>0

if p>0

%for j=2:l1          %%%a：q中a=2，q为参与建模的期数

%y(j)=coeffX.AR*cancha(j-1)-coeffX.MA*e(j-1);

%  e(j)=cancha(j)-polyval(coeffX.AR,cancha(j-p:j-1),p)-polyval(coeffX.MA,e(j-q:j-1),q);%计算残差

% end

%++++++++++++++++AR模型部分++++++++++++++++++++++++++++++++++

for j=p+1:l1          %%%a：q中a=2，q为参与建模的期数

%y(j)=polyval(coeffX.MA,e(j-q:j-1),q)

for i=1:p

AR(j)=coeffX.AR(i)*cancha(j-i);

end

%y(j)=z(j);

e(j)=cancha(j)-AR(j);%计算残差

end

%+++++++++++++++++++MA模型部分+++++++++++++++++++++++++++

if q==1

for j=q+1:l1          %%

e(j)=cancha(j)-coeffX.MA*e(j-1);

MA(j)=e(j)-coeffX.MA*e(j-1);

end

end

if q==2

e(1:q)=0;

for j=q+1:l1          %%%

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2);

end

end

if q==3

e(1:q)=0;

for j=q+1:l1          %%%

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3);

end

end

if q==4

e(1:q)=0;

for j=q+1:l1          %%%

e(j)=cancha(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3)-coeffX.MA(4)*e(j-4);

MA(j)=e(j)-coeffX.MA(1)*e(j-1)-coeffX.MA(2)*e(j-2)-coeffX.MA(3)*e(j-3)-coeffX.MA(4)*e(j-4);

end

end

%++++++++++++++++++++++++++++++合成+++++++++++++++++++++++++++++++

if p>q

a=q;

else

a=p;

end

for j=a:l1

ARMA(j)=AR(j)+MA(j)-e(j);

end

end

end

figure(11);

plot(jmqs,e,'b'),title('建模后残差');

%++++++++++++++++++++++++++++++++五步预报++++++++++++++++++++++++++++++++++

[sigmaForecast,x_Forecast]=garchpred(coeffX,cancha,5);%预报，进行5步预报值，其中第一个返回标准差，第二个返回预报值

ybqs=qs(M-4:M);

nhqx1=polyval(xishu,ybqs,p1);

ybz=x_Forecast+nhqx1;

ybz

ybc=cz(M-4:M)-ybz;

ybc

figure(55);

subplot(2,1,1)

plot(ybqs,cz(M-4:M),'g',qs(M-4:M),ybz,'r'),title('多步预报值与插值数据'),legend('后五期插值','预报值');

subplot(2,1,2)

plot(ybqs,ybc,'r'),title('预报误差');

zdwc=max(abs(ybc));%求预测最大误差

zwc=sqrt(sum(ybc.*ybc)/5);%求预测中误差

fprintf('最大预报误差为：%11.2f\n',zdwc);

fprintf('预  报中误差为：%11.2f\n\n',zwc);

乐康女神
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
matlab ar 函数确阶,matlabar模型阶数
weixin_27719109的博客
03-23 1961
基于Matlab用时间序列的最小二乘估计和FPE、AIC、BIC准则对AR(n)模型进行参数估计.用实例说明运用Matlab进行AR(n)参数估计,编程简单,分析直观. ......本文针对 AR 模型参数的几种典型求解算法进行分析、 比较其性能指标, 采用功能强大的MATLAB软件对各种算法的功率 谱估计进行仿真, 从实验的角度讨论了这几种功率 ......在传统理论的基础上,笔者利用 Matl...
模型阶次辨识（算例及matlab程序）
11-24
一、 利用行列式比估计模型的阶次 2 二、 利用残差的方差估计模型的阶次 3 三、 利用Akaike准则估计模型的阶次 4 四、 利用最终预报误差准则估计模型的阶次 5 五、 根据Hankel矩阵的秩估计模型的阶次 7 附录1 利用行列式比估计模型的阶次 9 附录2 利用残差的方差估计模型的阶次 11 附录3 利用Akaike准则估计模型的阶次 13 附录4 利用最终预报误差准则估计模型的阶次 15 附录5 利用Hankel矩阵的秩估计模型的阶次 17
时间序列定阶matlab,时间序列分析模型构建与MATLAB实现
weixin_33622032的博客
03-19 422
学术论坛 SCIENCE＆TECHNOLOGY I一2009 NO．26NFORMATION匪圆■U 叠墨—一 时间序列分析模型构建与 M A T L A B实现 谭 赞 (重庆 市勘测 院 重庆 400020) 摘 要 ：主要讲述 了时间序 列分析的基本 思想 ，模型构建 方法 过程及 步骤 ，并通过假 设的时 间序列 用MATLAB软件 ，实现 了模 型的定阶 ， 模 型参 数 的 估计过 程...
ar预报模型阶数估计 aic 准则
08-20
ar线性预报模型阶数估计 aic 准则 p的阶次选择
arma模型定阶MATLAB代码
06-11
学习和理解如何在MATLAB中进行ARMA模型定阶，不仅可以帮助我们更好地理解和预测时间序列数据，也有助于深入掌握统计建模和数据分析的技巧。在实际应用中，可以根据具体问题调整和优化这些步骤，以适应不同的需求。
Matlab时间序列-AR_AR模型_时间序列分析_股票_matlab_时间序列
09-10
在MATLAB中，可以使用`adftest`进行单位根检验，判断时间序列是否平稳；使用`decompose`对序列进行趋势、季节性和随机成分的分解。 总的来说，MATLAB提供了一套强大的工具来处理时间序列数据，从数据预处理、模型...
dingjie (2).zip_AR_AR模型定阶_ar预测_matlab_预测模型
07-15
AR（AutoRegressive）...总结来说，这个压缩包提供的资源展示了如何在MATLAB环境下使用AR模型进行时间序列预测，重点在于AR模型的定阶和预测模型的建立。通过对数据的分析和模型的评估，我们可以得到有效的预测结果。
MATLAB在时间序列建模预测及程序代码
05-04
除了基本的ARIMA模型，MATLAB还支持更复杂的时间序列模型，如状态空间模型（State Space Models, SSMs）和季节性ARIMA（ Seasonal ARIMA, SARIMA）。对于具有季节性的时间序列，SARIMA模型是常用的工具。`sarima`...
时间序列模型ARIMA与matlab代码.zip
05-05
ARIMA（自回归整合滑动平均模型）是时间序列预测中常用的一种模型，它结合了自回归（AR）、差分（I）和滑动平均（MA）三个概念。MATLAB作为强大的数学计算软件，提供了丰富的工具和函数支持ARIMA模型的建立和预测。 ...
ar模型定阶 aic准则 线性预测
08-20
dingjie ar模型定阶次 aic准则
AICBIC.rar_AIC_ARMA AIC_ARMA模型_ARMA模型AIC定阶_模型定阶AIC
07-14
对于ARMA模型定阶方法AIC BIC的matlab程序，非常实用
Matlab的AIC和BIC的计算方法-关于AIC.doc
08-12
Matlab的AIC和BIC的计算方法-关于AIC.doc 关于AIC.doc AIC和BIC的计算方法 AIC和BIC的计算方法，留作备用
AIC经典算法（matlab）
09-03
用于阵列天线信号处理中信源数目估计的AIC经典算法
Matlab_AR模型阶数确定.pdf
07-05
AR模型阶数确定 有几种方法来确定。如 Shin 提出基于 SVD的方法，而 AIC和 FPE方法是目前应用最广 泛的方法。 若计算出的 AIC较小，例如小于 -20，则该误差可能对应于损失函数的 1e-10级别， 则这时阶次可以看成是系统合适的阶次。
aic信源数估计matlab,一种信源数估计方法及其应用与流程
weixin_35940111的博客
03-20 2070
本发明属于信号处理技术领域，涉及信源数估计，特别涉及一种鲁棒性的信源数估计方法及其应用。背景技术：信源数估计是阵列信号处理中的研究重点和难点，是空间谱估计的基础，阵列信号处理中的大部分算法均需知道入射信号的个数。信息论方法是传统信源数估计中的经典方法之一，1973年H.Akaike提出了AIC准则，1978年J.Rissanen提出了MDL准则。信息论方法需要求解KL信息最小化问题，但该问题要求阵...
matlab空间计量AIC准则,关于AIC准则
weixin_42550597的博客
03-20 3977
AIC准则提出背景计量经济学研究对象：量化的社会经济问题研究目的：利用已有信息，通过模型发现内在机理，并对未知信息作出统计推断核心问题：保证模型反映数据所代表的主要信息，降低噪声干扰项的影响，保证模型的预测准确性模型包含的信息量能否尽可能大？不能。一是干扰信息无法避免；二是若模型包含了全部信息，则模型的复杂度也会相应提高，相应地会提高经济学成本；三是人无法对模型的准确性做出客观而科学的评断。信息论...
matlab很小的数,matlab中aicbic确定阶数的太小
weixin_39739170的博客
03-16 1130
想用aicbic确定ARMA的阶数，但用这个确定的阶数时会出现如下错误Error using arima/validateModel (line 1314)The non-seasonal moving average polynomial is non-invertible.Error in arima/setLagOp (line 391)Mdl = validateModel(Mdl);Er...
AIC信息准则算法matlab实例
dawn_dark1的博客
03-11 2685
AIC信息准则算法matlab实例
时间序列模型matlab残差检验
最新发布
08-27
在MATLAB中，可以使用时间序列模型进行残差检验。时间序列模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）、季节性自回归积分移动平均模型（SARIMA）等等。下面是一个使用ARMA模型进行残差...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值