时间序列平稳性检验(Matlab)

最新推荐文章于 2024-01-12 10:08:02 发布

咋（za）说

最新推荐文章于 2024-01-12 10:08:02 发布

阅读量1.4k

点赞数 1

文章标签： matlab 学习方法数学建模

本文为博主原创文章，未经博主允许禁止转载，不得用于一切商业用途，如有问题，欢迎交流指正。

本文链接：https://blog.csdn.net/weixin_43339605/article/details/133847695

版权

时间序列平稳性检验是判断时间序列是否满足平稳性要求的方法，AI介绍的常见的方法有以下几种：

绘制时间序列图和自相关图：通过观察时间序列图和自相关图的特征，可以初步判断时间序列是否具有平稳性。
统计量检验：常见的统计量检验方法有ADF检验、KPSS检验、Phillips-Perron检验等。其中ADF检验用于判断时间序列是否具有弱平稳性，KPSS检验用于判断时间序列是否具有趋势稳定性，Phillips-Perron检验可用于检验具有自相关或趋势的非平稳序列。
平稳性转换：如果时间序列不满足平稳性要求，可以进行平稳性转换，例如差分法、对数转换等方法。
模型拟合：基于AR、MA、ARMA模型等，对时间序列进行拟合，通过估计残差序列的自相关和偏自相关系数，判断时间序列是否具有平稳性。

需要注意的是，通过单一的检验方法判断时间序列平稳性可能存在偏差，建议采用多种方法综合判断。所以，时间序列平稳性检验貌似并不能找到一个很准确的判定。
最近在理解ARMA的时候，构建了模拟数据，在用模拟数据进行平稳性检测时ADF检验和KPASS检验出现了不太一样的结果，这里做个记录。

时间序列构建

时间序列由周期、半周期、趋势、随机误差项组成，对各分量分别构建模拟序列，然后按比例叠加，可生成一个完整序列，生成的代码如下：

clear;
n = 132; % 模拟11年的数据,用10年的数据作为训练值
ntest = 12;  %用最后1年数据作为预测比对值
x = 1:n;

% 周期信号
a1 = cos(2*pi*x/12) + 0.6 * sin(2*pi*x/24);
figure(1)
subplot(2,2,1)
plot(x,a1); 
title('a1 周期信号')

% 趋势信号
subplot(2,2,2);
x2=0.14;
a2 = mapminmax(x2 * x,0,1);
plot(x,a2);
title('a2 趋势信号')

% 随机信号(0-1的随机值)
subplot(2,2,3)
a3 = rand(1,n);
plot(x,a3);
title('a3 随机信号')

% 三种信号叠加 生成模拟信号
subplot(2,2,4) % 
a41 = 2 .* a1; % 1 只有周期项
%a41 = 2 .* a1 + 3.2 * a3; % 2 周期 + 随机
%a41 = 2 .* a1 + 5 * a2 + 3.2 * a3; % 3 周期 + 趋势 + 随机
%a41= 2 .* a1 + 5 * a2; % 4 周期+趋势 
plot(x,a41);
title('a4 叠加序列')

在这里插入图片描述
平稳性检验使用ADF检验和KPASS检验

%% 平稳检验
a4 = a41(1:n-ntest);
ad1 = adftest(a4); % 1平稳 0非平稳
ad2 = kpsstest(a4); % 0 平稳  1 非平稳

if (ad1 == 1 && ad2 == 0)
   % 平稳
   type = 3;
else
    % 非平稳
    type = 4;
end