季节性ARIMA：时间序列预测

SARIMAX (seasonal autoregressive integrated moving average with exogenous regressor)是一种常见的时间序列预测方法，可以分为趋势部分和周期性部分；每个部分又可以分为自回归、差分和平滑部分。

趋势稳定性检测：Kwiatkowski–Phillips–Schmidt–Shin (KPSS) test

null-hypothesis: 时间序列趋势稳定。significance: 0.05. 选择KPSS和不是Dickey Fuller由于KPSS的null-hypothesis是趋势稳定，所以接受条件相对于Dickey Fuller更宽松，差分阶数更少。
$y_t={\beta }^{\prime }{D}_t+{\mu }_t+u_t$
${\mu }_t={\mu }_{t-1}+{ϵ}_t,$
${ϵ}_t\sim WN(0,{\sigma }_{ϵ}^2)$

其中D为确定时间序列趋势/常数。u为随机漫步。epsilon为残差。

LM statistic:
$KPSS=(T^{-}2{\sum }_{t=1}^T{\hat{S}}_t^2)/{\hat{\lambda }}^2$
其中${\hat{S}}_t={\sum }_{j=1}^t{\hat{u}}_j$
$\hat{u}$ 是yt 拟合Dt的残差，$ \hat \lambda^2$ 是var(ut)的预估值。问题归结为拉格朗日乘数法证明 $${\sigma }_{ϵ}^2=0$$

季节稳定性检测：Canova-Hansen方法
null-hypothesis: 时间序列季节稳定性。significance: 0.05

测试频率：给定待测最大频率m以下所有 2pi/m整数倍。

时间序列yi的拟合：
$y_i=\mu +x_i^{\prime }\beta +S_i+e_i$
$S_i={\sum }_{j=1}^{m/2}{f}_{ji}^{\prime }{\gamma }_j$
其中
$f_{ji}^{\prime }=(cos((j/q)\pi i),sin((j/q)\pi i))$

LM statistic:
$$LM=\frac{1}{n^2}trace(({\hat{\Omega }}^f{)}^{-}1\sum _{i=1}^n{\hat{F}}_i{\hat{F}}_i^{\prime })$$

其中
${\hat{F}}_i={\sum }_{t=1}^i{f}_t{\hat{e}}_t$
Ω ^ f = ∑ k = − m m w ( k m ) 1 n ∑ i f i + k e ^ i + k f i ′ e ^ i