应用时间序列分析pdf_时间序列分析

时间序列

1.什么是时间序列

时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。因为时间序列是某个指标数值长期变化的数值表现，所以时间序列数值变化背后必然蕴含着数值变换的规律性，这些规律性就是时间序列分析的切入点。一般情况下，时间序列的数值变化规律有以下四种：长期变动趋势、季节变动规律、周期变动规律和不规则变动。

时间序列分析方法

自回归模型（简称AR模型）与移动平均模型（简称MA模型）为基础“混合”构成.从时间序列本身出发，力求得出前期数据与后期数据的量化关系，从而建立前期数据为自变量，后期数据为因变量的模型，达到预测的目的。虽然AR/MA/ARMA/ARIMA是四种可以独立使用的分析方法，但是它们其实是互补的关系，适用于包含不同变动成分的时间序列。

1.平稳性时间序列：2.非平稳性时间序列：一般具有长期趋势的时间序列为非平稳时间序列，有可能持续增长，先快后慢，或者先慢后快，可以使用查分形成新的平稳的时间序列

根据长期趋势的发展趋势不同，可以进行差分的次数和方法也不相同，一般的规律如下：

一次差分的时间序列数值大体相同，配合直线趋势；

二次差分的时间序列数值大体相同，配合二次曲线

对数的一次差分的时间序列数值大体相同，配合指数曲线

一次差分的环比值大体相同，配合修正指数曲线

对数一次差分的环比值大体相同，配合Gompertz曲线

倒数一次差分的环比值大体相同，配合Logistic曲线

分类：

按自变量数量来分：一元时间序列，多元时间序列

时间连续型来分：离散时间序列和连续时间序列

变量值的表现形式来分：绝对时间序列（时点数值为一段时间的总量），相对时间序列（把同一时间段的相对指标按时间排序，例如实际值与相对值），平均数时间序列（一系列同一性质的平均指标排列）

模型：

AR模型（自回归分析）----（公式就是线性回归模型，关于不同时间点记录的指标数值）

概念：

AR模型利用前期数值与后期数值的相关关系（自相关），建立包含前期数值和后期数值的回归方程，达到预测的目的，因此成为自回归过程

解释：

认为用本时间点之前的p个点的线性组合，再加上白噪声就可以预测未来某个时刻的点。(通过历史点来预测现在点)----也叫P阶回