时间序列分析 #ARMA模型的识别与参数估计 #R语言

༱ホ

已于 2024-04-08 14:53:24 修改

阅读量1.6k

点赞数 36

分类专栏：时间序列#R 文章标签： r语言开发语言数据挖掘

于 2024-04-08 09:44:59 首次发布

本文链接：https://blog.csdn.net/weixin_51423847/article/details/137492586

版权

时间序列#R 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

掌握ARMA模型的识别和参数估计。

原始数据在文末！！！

练习1、

根据某1915-2004年澳大利亚每年与枪支有关的凶杀案死亡率（每10万人）数据（题目1数据.txt），求：

第1小题：

（1）通过单位根检验，判断该序列的平稳性；判断该序列的纯随机性；

（2）绘制序列的样本自相关图（ACF）和偏自相关图（PACF），根据相关性特征，选择适当模型拟合该序列的发展；

（3）利用auto.arima()函数，对该序列进行系统自动定阶。

data <- read.table("F:/时间序列分析/实验6/习题数据/题目1数据.txt",header = T)
x <- ts(data[,2],start=1915)
#第1小题
#原序列ADF检验
library(aTSA)
adf.test(x)
#原序列白噪声检验
for(i in 1:2) print(Box.test(x,type = "Ljung-Box",lag = 6*i))
#原序列绘制自相关图和偏自相关图
par(mfrow = c(1,2))
acf(x)
pacf(x)
#自动识别模型
library(zoo)
library(forecast)
#系统自动定阶
auto.arima(x)

结果分析：

第1小题：

（1）

单位根检验：检验结果显示该序列可认为是平稳序列(带漂移项无滞后模型和既有漂移项又有趋势项的无滞后模型的P值小于0.05)。

Augmented Dickey-Fuller Test

alternative: stationary

Type 1: no drift no trend

     lag    ADF p.value

[1,]   0 -1.473   0.149

[2,]   1 -1.037   0.306

[3,]   2 -0.896   0.357

[4,]   3 -0.835   0.379

Type 2: with drift no trend

     lag   ADF p.value

[1,]   0 -4.54 0.0100

[2,]   1 -2.88 0.0543

[3,]   2 -2.25 0.2309

[4,]   3 -1.46 0.5330

Type 3: with drift and trend

     lag   ADF p.value

[1,]   0 -4.53   0.010

[2,]   1 -2.86   0.219

[3,]   2 -2.22   0.480

[4,]   3 -1.40   0.823

----

Note: in fact, p.value = 0.01 means p.value <= 0.01

白噪声检验：延迟6阶和延迟12阶的LB统计量的P值都小于α=0.05，则拒绝原假设，认为序列不是白噪声序列。

Box-Ljung test

data: x

X-squared = 92.781, df = 6, p-value < 2.2e-16

Box-Ljung test

data: x

X-squared = 108.89, df = 12, p-value < 2.2e-16

（2）

①自相关图可以看出，自相关系数是以一种有规律的方式，按指数函数轨迹衰减的，说明自相关系数衰减到零不是一个突然截尾的过程，而是一个连续渐变的过程，判定自相关系数拖尾；

②偏自相关图可以看出，除了1阶偏自相关系数在2倍标准差范围之外，之后几乎95%的偏自相关系数都在2倍标准差范围内，判定偏自相关系数1阶截尾；

综上所述，序列呈现出自相关系数拖尾，偏自相关系数1阶截尾的特性，初步确定拟合模型为AR(1)模型。

（3）系统自动定阶结果表明，该序列为ARMA(1，1)模型。

Series: x

ARIMA(1,0,1) with non-zero mean

Coefficients:

         ar1      ma1    mean

      0.9065 -0.5302 0.4616

s.e. 0.0682   0.1278 0.0591

sigma^2 = 0.01433: log likelihood = 64.48

AIC=-120.97   AICc=-120.5   BIC=-110.97

第2小题：

（1）绘制序列的时序图，判断该序列的平稳性；

（2）如果判断该序列非平稳，选择适当阶数（或步长）的差分运算。对差分后序列：做出时序图、白噪声检验、自相关图（ACF）和偏自相关图（PACF），选择适当模型拟合该差分后序列的发展（此处不要依赖系统自动定阶）

（3）选用适当估计方法确定上述拟合模型的口径。

#第2小题
#原序列时序图
plot(x)
#1阶差分
dif_x <- diff(x)
#绘制差分后序列的时序图
plot(dif_x)
#差分后序列的白噪声检验
for (i in 1:2) print(Box.test(dif_x,type = "Ljung-Box",lag = 6*i))
#绘制差分后序列的自相关图和偏自相关图
par(mfrow = c(1,2))
acf(dif_x)
pacf(dif_x)
#模型参数估计，确定模型的口径
#①选择AR(1)模型时模型的口径
arima(dif_x,order = c(1,0,0),method = "ML")
#③选择MA(3)模型时模型的口径
arima(dif_x,order = c(0,0,3),method = "ML")

结果分析：

第2小题：

从时序图可以看出，该序列存在明显的线性趋势，认为该序列是非平稳序列。

时序图：

选择1阶差分运算。

1阶差分后的时序图：从1阶差分后序列的时序图可以看出1阶差分运算后，序列在常数0附近波动，且波动有界。认为1阶差分后的序列是平稳序列。

1阶差分后序列的白噪声检验：延迟6阶和延迟12阶的LB统计量的P值为都小于α=0.05，则拒绝原假设，认为1阶差分后的序列不是白噪声序列。

Box-Ljung test

data: dif_x

X-squared = 21.986, df = 6, p-value = 0.001218

Box-Ljung test

data: dif_x

X-squared = 40.071, df = 12, p-value = 6.998e-05

ACF图和PACF图：

从自相关图看出，除了1阶自相关系数在2倍标准差范围之外，之后几乎95%的自相关系数都突然衰减到2倍标准差范围之内。判定为1阶截尾；
从偏自相关图看出，除了1-3阶偏自相关系数在2倍标准差范围之外，之后几乎95%的自相关系数都突然衰减到2倍标准差范围之内。判定为3阶截尾；

综上所述，序列呈现出自相关系数1阶截尾的特性，偏自相关系数3阶截尾的特性，初步确定拟合模型为AR(1)模型或MA(3)模型。

（3）

①选择AR(1)模型时模型的口径为：

$x_{t}+0.0037=\frac{\varepsilon _{t}}{1+0.4033B}$ ， $Var(\varepsilon _{t})=0.01589$

该AR(1)模型的等价表达为：

$x_{t}=-0.00519221-0.4033x_{t-1}+\varepsilon _{t}$ ， $Var(\varepsilon _{t})=0.01589$

Call:

arima(x = dif_x, order = c(1, 0, 0), method = "ML")

Coefficients:

          ar1 intercept

     -0.4033    -0.0037

s.e.   0.0964     0.0096

sigma^2 estimated as 0.01589: log likelihood = 57.94, aic = -109.87

选择MA(3)模型时模型的口径为：

$x_{t}=-0.0033+\varepsilon _{t}-0.5734\varepsilon _{t-1}-0.0495\varepsilon _{t-2}-0.0109\varepsilon _{t-3}$ ， $Var(\varepsilon _{t})=0.01421$

Call:

arima(x = dif_x, order = c(0, 0, 3), method = "ML")

Coefficients:

          ma1      ma2      ma3 intercept

     -0.5734 -0.0495 -0.0109    -0.0033

s.e.   0.1103   0.1069   0.1067     0.0047

sigma^2 estimated as 0.01421: log likelihood = 62.79, aic = -115.58

练习2、

根据1860-1955年密歇根湖每月平均水位的最高值序列（题目2数据.csv），求：

第1小题：

（1）通过单位根检验，判断该序列的平稳性；判断该序列的纯随机性；

（2）绘制序列的样本自相关图（ACF）和偏自相关图（PACF），根据相关性特征，选择适当模型拟合该序列的发展；

（3）利用auto.arima()函数，对该序列进行系统自动定阶。

data <- read.csv("F:/时间序列分析/实验6/习题数据/题目2数据.csv",sep = ",",header = T)
x <- ts(data[,2],start=1860)
#第1小题
#原序列ADF检验
adf.test(x)
#原序列白噪声检验
for(i in 1:2) print(Box.test(x,type = "Ljung-Box",lag = 6*i))
#原序列绘制自相关图和偏自相关图
par(mfrow = c(1,2))
acf(x)
pacf(x)
#系统自动定阶
auto.arima(x)

结果分析：

第1小题：

单位根检验：检验结果显示该序列可认为是平稳序列(带漂移项1阶滞后模型和既有漂移项又有趋势项的1阶滞后模型的P值小于0.05)。

Augmented Dickey-Fuller Test

alternative: stationary

Type 1: no drift no trend

     lag    ADF p.value

[1,]   0 -0.312   0.553

[2,]   1 -0.320   0.551

[3,]   2 -0.307   0.555

[4,]   3 -0.245   0.573

Type 2: with drift no trend

     lag   ADF p.value

[1,]   0 -2.88 0.0535

[2,]   1 -3.39 0.0154

[3,]   2 -2.73 0.0776

[4,]   3 -2.34 0.1973

Type 3: with drift and trend

     lag   ADF p.value

[1,]   0 -3.22 0.0891

[2,]   1 -4.03 0.0113

[3,]   2 -3.10 0.1204

[4,]   3 -2.60 0.3258

----

Note: in fact, p.value = 0.01 means p.value <= 0.01

白噪声检验：延迟6阶和延迟12阶的LB统计量的P值为都小于α=0.05，则拒绝原假设，认为序列不是白噪声序列。

Box-Ljung test

data: x

X-squared = 215.96, df = 6, p-value < 2.2e-16

Box-Ljung test

data: x

X-squared = 329.2, df = 12, p-value < 2.2e-16

（2）①自相关图可以看出，自相关系数是以一种有规律的方式，按指数函数轨迹衰减的，说明自相关系数衰减到零不是一个突然截尾的过程，而是一个连续渐变的过程，判定自相关系数拖尾；

②偏自相关图可以看出，除了1阶偏自相关系数在2倍标准差范围之外，之后几乎95%的偏自相关系数都在2倍标准差范围内，判定偏自相关系数1阶截尾；

综上所述，序列呈现出自相关系数拖尾，偏自相关系数1阶截尾的特性，初步确定拟合模型为AR(1)模型。

（3）利用auto.arima()函数，对该序列进行系统自动定阶：

Series: x

ARIMA(0,1,0)

sigma^2 = 0.4751: log likelihood = -99.44

AIC=200.87 AICc=200.92 BIC=203.43

第2小题：

（1）绘制序列的时序图，判断该序列的平稳性；

（2）如果判断该序列非平稳，选择适当阶数（或步长）的差分运算。对差分后序列：做出时序图、白噪声检验（延迟3阶和6阶）、自相关图（ACF）和偏自相关图（PACF），选择适当模型拟合该差分后序列的发展（此处不要依赖系统自动定阶）

（3）选用适当估计方法确定上述拟合模型的口径。

#第2小题
#原序列时序图
plot(x)
#1阶差分
dif_x <- diff(x)
#绘制差分后序列的时序图
plot(dif_x)
#差分后序列的白噪声检验
for (i in 1:2) print(Box.test(dif_x,type = "Ljung-Box",lag = 3*i))
#绘制差分后序列的自相关图和偏自相关图
par(mfrow = c(1,2))
acf(dif_x)
pacf(dif_x)
#模型参数估计，确定模型的口径
arima(dif_x,order = c(2,0,2),method = "ML")

第2小题：

（1）从时序图可以看出，该序列存在明显的线性趋势，认为该序列是非平稳序列。

时序图：

（2）选择1阶差分运算。

1阶差分后的时序图：从1阶差分后序列的时序图可以看出1阶差分运算后，序列在常数0附近波动，且波动有界。认为1阶差分后的序列是平稳序列。

1阶差分后序列的白噪声检验：延迟3阶的LB统计量的P值为0.01051小于α=0.05，但延迟6阶的LB统计量P值为0.0648，大于α=0.05，则拒绝原假设，认为1阶差分后的序列不是白噪声序列。

Box-Ljung test

data: dif_x

X-squared = 11.236, df = 3, p-value = 0.01051

Box-Ljung test

data: dif_x

X-squared = 11.876, df = 6, p-value = 0.0648

ACF图和PACF图：

从自相关图看出，自相关系数呈现不规则地衰减到零值附近。判定为拖尾；
从偏自相关图看出，偏自相关系数呈现出对数函数单调收敛到零值附近。判定为拖尾特性；

综上所述，序列呈现出自相关系数拖尾的特性，偏自相关系数拖尾的特性，初步确定拟合模型为ARMA(2，2)模型。

（3）选择ARMA(2，2)模型时模型的口径为：

$x_{t}+0.0189=\frac{1-0.6746B-0.1715B^{2}}{1-0.7210B+0.1642B^{2}}\varepsilon _{t}$ ， $Var(\varepsilon _{t})=0.4081$

该ARMA(2，2)模型的等价表达为：

Call:

arima(x = dif_x, order = c(2, 0, 2), method = "ML")

Coefficients:

         ar1      ar2      ma1      ma2 intercept

      0.7210 -0.1642 -0.6746 -0.1715    -0.0189

s.e. 0.3128   0.4113   0.3091   0.4237     0.0281

sigma^2 estimated as 0.4081: log likelihood = -92.51, aic = 197.02