学习打卡 7.10-7.13

时间序列分析

一 基础概述

时间序列也成动态序列，是指某种现象的指标数值按照时间顺序排列而成的数值序列。

时间序列可以分为3个功能

1.描述过去

描述时间序列的动态变化

2.分析规律

揭示时间序列数值变化背后的规律

3.预测未来

依据数值变化规律预测未来数值趋势

常用的3种模型

1.季节分解

2.指数平滑方法

3.ARIMA模型

时间序列数据

对个统一对象在不同时间连续观察所获得的数据（time series data）

二 时间序列的两个要素

1.时间要素

例如：年，季度，月，周，日，小时，分钟，秒

2.数值要素

根据时间和数值性质的不同，可以分为时期时间序列和时点时间序列

1.时期序列中，数值要素反应现象在一定时期内发展的结果

2.时点序列中，数值要素反应现象在一定时点上的瞬间水平

区分：时点序列的数值相加没有意义

例如：灰色预测模型里就有一个累加的过程

三 时间序列分解

时间序列的数值变化有4中

1.长期趋势

在相当长一段时间内，持续上升或者下降，通常用T表示

比如：我国的GDP

2.季节趋势

指标数值发生周期性变化

季节是广义的，一般以月，季，周为单位，通常用S表示

比如：温度，一些问题的百度指数

3.循环变动（周期变动）

以若干年为一个周期，波浪式的周期变动，通常用C表示

比如：经济周期

4.不规则变动

不可预知没有规律性

可以视为众多偶然因素对时间序列造成的影响，通常用I表示

在回归中又被成为扰动项

以上4种变动就是时间序列数值变化的分解结果。有时会同时出现在一个时间序列里面，有时也可能只出现一种或者几种

最终变动关系可能是叠加关系，也可能是乘积关系

如果变动之间相互独立

Y=T+S+C+I

如果存在相互影响

Y=TSC*I

注意：

1.只有有周期性的时候才能使用时间序列分解

2.在具体的时间序列图上，如果随着时间的推移，序列的季节波动变得越来越大，则反映各种变动之间的关系发生变化，建议使用乘积模型；反之，如果时间序列图的波动保持恒定，则可以直接使用叠加模型；当然，如果不存在季节波动，则两种分解均可以。

四 Spss处理时间序列

（1）处理缺失值

1.缺失值发生在时间序列的开头或者尾部，可采用直接删除的方法

2.缺失值发生在序列的中间位置，则不能删除（删除后原有的时间序列会错位），可采用替换缺失值的方法

替换缺失值得5种方法

序列平均值

用整个序列的平均数代替缺失值

临近点的平均值

用相邻若干个点的平均数来替换缺失值（默认
为两个点）

临近点的中位数

用相邻若干个点的中位数来替换缺失值（默认
为两个点）

线性插值

用相邻两个点的平均数来替换缺失值

邻近点的线性趋势

将时期数作为x，时间序列值作为y进行回归，求缺失点的预测值

（2）定义时间变量

（3）绘制时间序列图

（4）季节性分解

周期为奇数时使用 所以点相等

周期为偶数时使用 端点按0.5加权

如果按照加法的模型

最后会得到4个新的变量

ERR_1
不规则变量（I）

SAS_1
季节性调整后序列（T+C+I）

SAF_1
季节性调整因子（S）

STC_1
趋势循环成分（T+C）

其中季节因子和为0

如果采用乘法分解，那么乘法季节因子的积为1

（5）画出分解后的时序图

（6）预测未来的指标数值

五 指数平滑模型

1.Simple模型

名称：简单指数平滑模型

适用条件：不含趋势和季节成分

与之类似的ARIMA模型：ARIMA（0,1,1）

其中α被称为平滑系数

关于平滑系数𝛼的选取原则：

1、如果时间序列具有不规则的起伏变化，但长期趋势接近一个稳定常数，α值一 般较小(取0.05‐0.02之间)

2、如果时间序列具有迅速明显的变化倾向，则α应该取较大值（取0.3‐0.5）

3、如果时间序列变化缓慢，亦应选较小的值（一般在0.1‐0.4之间）

弊端：由于公式的原因，所以只能预测一期的

2.线性趋势模型（linear trend）

名称：霍特线性趋势模型

适用条件：线性趋势、不含季节成分

与之类似的ARIMA模型：ARIMA（0,2,2）

Holt
在1957年把简单的指数平滑模型进行了延伸，能够预测包含趋势的数据， 该方法包含一个预测方程和两个平滑方程（一个用于水平，另一个用于趋势）：

其中

t

当前期

h

预测超期期数，也称之为步长

xt :
第t期的实际观测值

lt

: 时刻t的预估水平

bt

时刻t的预测趋势（坡度）

α ：水平的平滑参考数

β ：趋势的平滑参数

特例：

布朗（Brown）线性趋势模型

假定α=β，即认为水平平滑参数和趋势平滑参数相等

3.阻尼趋势模型（Damped trend）

适用条件：线性趋势逐渐减弱且不含季节成分

与之类似的ARIMA模型：ARIMA（1,1,2）

经验表明，Holt的线性趋势模型倾向于对未来预测值过高，特别是对于长期预测。Gardner 和McKenzie (1985)在霍特的模型基础上引入了一种阻尼效应，用来缓解较高的线性趋势

增加了一个阻尼参数Φ（0<Φ<=1）

当Φ=1时，就是霍特线性趋势模型

在0-1之间是，会产生阻尼效应

4.简单季节性(Simple seasonal)

适用条件：含有稳定的季节成分，不含趋势

与之类似的ARIMA模型：SARIMA（0,1,1）*（0,1,1）s

其中

(取整函数)

m
：周期长度

α ：水平的平滑参考数

β ：趋势的平滑参数

γ ：季节的平滑参数

5.温特加法模型(Winters’ additive)

适用条件：含有线性趋势和稳定的季节成分

与之类似的ARIMA模型：SARIMA（0,1,0）*（0,1,1）

6.温特乘法模型(Winters’ multiplicative)

适用条件：含有线性趋势和不稳定的季节成分

与之类似的ARIMA模型：不存在

六 一元时间序列分析的模型

1.时间序列的平稳性(stationary series)

若时间序列{xt}满足一下3个条件：

（1）E（xt）=E(xt-s)=u

（2）Var(xt)=Var（xt-s）=σ2

（3）Cov（xt，xt-s）=γs

则称{ xt }为协方差平稳（covariance
stationary），又称弱平稳

如果对于任意的tk和h，对于多维随机变量（xt1，xt2，…，xtk）和（xt1+h，xt2+h，…，xtk+h）的联合分布相同，则称{ xt }为严格平稳

注：严格平稳要求太高，因此在时间序列中提到的平稳没有特殊说明默认为弱平稳。

若时间序列{xt}满足一下3个条件：

（1）E（xt）=E(xt-s)=0

（2）Var(xt)=Var（xt-s）=σ2

（3）Cov（xt，xt-s）=0（s不为0）

则称{ xt }为白噪声序列（white noise）

白噪声序列是平稳时间序列的一个特例

一般我们认为扰动项服从白噪声序列

2. 差分方程和滞后算子

1.差分方程

将某个时间序列变量表示为该变量的滞后项、时间和其他变量的
函数，这样的一个函数方程被称为差分方程。

举例：

yt=α0+α1yt-1+α2yt-2+…+αpyt-p+εt(自回归AR§模型)

yt=ε0+β1εt-1+β2εt-2+…+βpεt-p（移动平均MA(q)模型）

yt=α0+α1yt-1+α2yt-2+…+αpyt-p+εt+ε0+β1εt-1+β2εt-2+…+βpεt-p（自回归移动平均ARMA(p,q)模型）

差分方程的齐次部分：只包含该变量自身和它的滞后项的式子。

例如：

齐次部分为

将齐次部分转化成特征方程

令yt=xt后，带入计算

特征方程是一个p阶多项式，对应可求出p个解（可能有实根，也可能有虚根）

接的模长的大小决定了ARMA(p,q)模型的{yt}是否平稳

2.滞后因子

用符号L表示滞后算子(lag operator):

Liyt=yt-i

性质：

（1）LC=C

（2）(Li+Lj)yt=yt-i+yt-j

（3）LiLj yt= yt-i-j

比如ARMA(p,q)模型可以转化为

一阶差分：

二阶差分：

d阶差分：

季节差分：

3. AR模型(auto
   regressive)

自回归：将自己的1至p阶滞后项视为自变量进行回归

yt=α0+α1yt-1+α2yt-2+…+αpyt-p+εt(自回归AR§模型)

回归模型的扰动项：

异方差（横截面数据）

自相关（时间序列）

自回归只能适用于预测与自身前期相关的经济现象，即受自身历史因素影响较大的经济现象，如矿的开采量，各种自然资源产量等。对于受社会因素影响较大的经济现象，不宜采用自回归，而应使用可纳入其他变量的向量自回归模型（多元时间序列）

注意：

我们讨论的AR§模型一定是平稳的时间序列模型，

如果原数据不平稳也要先转换为平稳的数据才能再进行建模

AR§模型平稳的条件

首先将齐次部分转化成特征方程

特征方程是一个p阶多项式，可以解出p个解

（1）如果模长均小于1，则平稳，称{yt}对应的AR§模型平稳

（2）如果有k个解的模长等于1，称为k阶单位根过程

（3）如果至少有一个模长大于1，则称为爆炸过程

4. MA模型

q阶移动平均过程（MA(q)模型）

yt=ε0+β1εt-1+β2εt-2+…+βpεt-p（移动平均MA(q)模型）

只要q是常数，那么MA(q)模型一定是平稳的。

MA模型和AR模型的关系

我们可以将1阶移动平均模型转换为无穷阶的自回 归模型，这一性质称为移动平均模型的可逆性；类似的，我们在某些条件下（可逆性 条件）也可以将MA(q)模型也转换为无穷阶的自回归过程。 一般地，任何经济变量的时间序列都可以自回归过程来描述。但在模型分析的实 践中，为简化估计参数的工作量，我们当然希望模型当中的参数尽可能地少。于是便
有了引进移动平均过程MA(q)的必要。

5. ARMA模型

自回归移动平均模型(Autoregressive Moving Average,ARMA)，就是设法将自回 归过程AR和移动平均过程MA结合起来，共同模拟产生既有时间序列样本数据的那 个随机过程的模型。

ARMA(p,q)模型：

ARMA(p,q)模型的平稳性

平稳性只和自回归AR§部分有关

方法同上

一般，我们可以通过观察时序图来判断时间序列是否平稳，当然，也有相应的
假设检验方法能帮助我们对数据的平稳性进行检验（由于第三种情况几乎不会发生， 因此我们只需要检验时间序列是单位根还是平稳的即可）。

例如：Augmented Dickey‐Fuller单位根检验（ADF 检验）、KPSS检验、PP检验。 （参见：陈强《高级计量经济学》第二版P414）

6. ACF和PACF

相关系数：

自相关系数：我们要假定时间序列是平稳的

其中

因为真实的样本自相关系数是未知的，所以我们只能估计

注意：如果是白噪声序列，当s=0时ρs=0，否则ρs=1

PACF偏自相关函数

其中Φ表示自线性相关函数

et表示不能用线性衡量的部分

一些实例

7. AIC和BIC准则（选小原则）

赤池信息准则（AkaikeInformation Criterion，AIC）

𝑨𝑰𝑪=𝟐（模型中参数的个数）-𝟐𝒍𝒏（模型的极大似然函数值）

贝叶斯信息准则（Bayesian Information Criterion，BIC）

𝑩𝑰𝑪
=𝒍𝒏
(𝑻)（ 模型中参数的个数）-𝟐𝒍𝒏 （模型的极大似然函数值）

T表示样本个数

n表示模型中的参照个数（反映模型的复杂程度）

模型的极大似然函数值：反映模型对于数据解释(拟合)程度

AIC和BIC是选小原则，我们要选择使得AIC或BIC小的模型。

（BIC对于模型的复杂程度的惩罚系数更大，因此BIC往往比AIC选择的模型更简洁）

8. ARIMA模型

差分自回归移动平均模型

ARIMA(p,d,q)模型：

化简后得

举例：

9. SARIMA模型

季节性ARIMA模型是通过在ARIMA模型中包含额外的季节性项而生成的，其形式如下：SARIMA (p,d,q) (P,D,Q)m