新手学习笔记
以下全部内容为本人上课的整理,可能有错误,烦请各路大佬指教。
从ARMA到ARIMA
ARMA用于处理平稳非白噪声时间序列数据。ARMA(p,q)由AR(p)model和MA(q)model组合而成,具体原理见Goodnotes。下面讲应用和代码 平稳型判断:由AR部分到平稳型判断构成,手算可以用平稳域判断和单位根判断纯随机性:ACF拖尾性,PACF截尾性
MA可逆性跟AR平稳型判断方法一样,可逆MA(q)模型的pacf∞阶截尾,即具有截尾性
ARMA模型的相关性:acf拖尾&pacf截尾
![c442db2cc4d8734e8612e5aabfc9a43a.png](https://i-blog.csdnimg.cn/blog_migrate/49702f8c1d4bcf3bde0d1bf7533c148c.jpeg)
序列检验
平稳型检验:adf.test()
data <- read.csv('data.csv')
data <- ts(data)
adf <- adf.test(data)
白噪声检验:Box-Ljung test 语法为:Box.test(data,type = 'Ljung-Box',lag6*i)
这个时候原序列是不能为白噪声的,所以此时应该接受,即P-value应该比较大。
for(i in 1:2) print(Box.test(data,type = 'Ljung-Box',lag=6*i))
相关系数
cor(data, method='')
模型识别
模型定阶:使用R语言的auto.arima()
函数
auto.arima(data)
参数估计
对ARMA模型系数的估计仍然是矩估计、极大似然估计、最小二乘估计
矩估计优点:估计思想简单直观、无需假设总体分布、计算量小(低阶)
极大似然估计优点:充分应用信息精度高、一致性、渐进正态性、渐进有效性
最小二乘优点:充分利用信息高精度
R语言中ARMA模型参数