时间序列分析matlab_ARIMA时间序列分析入门介绍

ARIMA建模分析分析的步骤

数据可视化，识别平稳性

1. 对非平稳的时间序列数据，做平稳性处理，得到平稳序列
2. 根据偏自相关系数和自相关系数选择模型
3. 模型的阶数在确定之后，对模型进行参数估计
4. 判断（诊断）残差序列是否为白噪声序列，删除不显著的参数
5. 利用已通过检验的模型进行预测
6. 预测结果需要通过相关逆变换进行还原

时间序列的分解

时间序列是由四种因素组成的：长期趋势、季节变动、循环变动、随机波动。当我们对一个时间序列进行预测时，应该考虑将上述四种因素从时间序列中分解出来。

分解之后，能够克服其他因素的影响，仅仅考虑一种因素对时间序列的影响，也可以分析他们之间的相互作用，以及他们对时间序列的综合影响。当去掉这些因素后，就可以更好地进行时间序列之间的比较，从而更加客观的反映事物变化发展规律，序列可以用来建立回归模型，从而提高预测精度。

时间序列的四种因素具有不同的特点：长期趋势反映了事物发展规律，是重点研究的对象；循环变动由于周期长，可以看作是长期趋势的反映，一般和长期趋势统称为趋势-周期因素；随机不规则变动由于不容易测量，通常也不单独分析（注：“S”型增长曲线是持续增长的，随机波动是一种与某个特殊事件相关的短期波动，具有一定的概率，可作为决策的辅助依据）；季节变动有时会让预测模型误判其为不规则变动，从而降低模型的预测精度。

当一个时间序列具有季节变动特征时，在预测之前会先将季节因素进行分解，也就是将季节变动因素从原时间序列中去除，并生成由剩余三种因素构成的序列来满足后续分析需求。

常用的时间序列分解方法有：传统时间序列分解法、X-12-ARIMA分解法、STL分解法。

时间序列的平稳性

平稳的基本思想是：时间序列的统计性质在时间平移中不变。在理论上，时间序列的平稳可以分为强平稳和弱平稳，实际的数据分析中时间序列的平稳多指弱平稳。

弱平稳的具体含义是：①均值函数是常数函数且②协方差函数仅与时间差相关。

从变量

的角度看，平稳性（stationarity）意味着

的条件概率分布要不随时间变化，这样才能用以前的值来预测未来的值；而任何对

的内生冲击（shock）都只有暂时性的而非永久性的效应，因此，受到冲击的

总会回归到长期的均衡

。

从差分方程

，即ARMA(p,q)模型的角度看，平稳性意味着满足了差分方程的稳定性条件（stability condition），从而差分方程的齐次解（homogeneous solution）是零。

差分方程的解

即是系统的均衡点（equilibrium point），满足差分方程的稳定性条件，

最终会收敛于

。

由微分方程或者差分方程的基本知识可以知道，有关

的方程的解由两部分组成，分别是齐次解（homogeneous solution）和特解（particular solution）。解的过程我们会用到特征方程（characteristic equation）和特征根（characteristic root）。

有m个重复根（repeated roots）的齐次解（homogeneous solution）为

其中,

是任意常量，

是不同的特征根（characteristic roots），

是重复根（repeated roots）。这里是

不是a。如果这个齐次根的任何一部分不是零，则这个差分方程的解的均值、方差和协方差就会依赖于时间（time-dependent）。

这里可以看出，时间序列的平稳性就是指时间序列的统计性质关于时间平移不变。

为什么要追求平稳性？因为我们研究时间序列很重要的一个应用（或者出发点），是希望通过时间序列的历史数据来得到其未来的一些预测。换句话说，我们希望时间序列在历史数据上的一些性质，在将来保持不变，这不就是时间平移的不变性么？反过来想，如果时间序列不是平稳的，由历史数据