按时间顺序排列的一组随机变量X1,X2,…,Xt表示一个随机事件的时间序列。
时间序列分析的目的是给定一个已被观测了的时间序列,预测该序列的未来值。
模型名称 | 描述 |
平滑法 | 常用于趋势分析和预测,利用修匀技术,削弱短期随机波动对序列的影响,使序列平滑化。 根据所用平滑技术的不同,可分为移动平均法和指数平滑法。 |
趋势拟合法 | 把时间作为自变量,相应的序列观察值作为因变量,建立回归模型。 根据序列的特征,可分为线性拟合和曲线拟合。 |
组合模型 | 时间序列的变化主要受到长期趋势(T)、季节变动(S)、周期变动(C)和不规则变动( 根据序列的特点,可以构建加法模型和乘法模型。 加法模型:x = T+S+C+ 乘法模型:x = T |
AR模型 | 以前p期的序列值为自变量,随机变量Xt为因变量建立线性回归模型 |
MA模型 | 随机变量Xt的取值与前各期的序列值无关,建立Xt与前q期的随机扰动( |
ARMA模型 | 随机变量Xt的取值,不仅与前p期的序列值有关,还与前q期的随机扰动( |
ARIMA模型 | 许多非平稳序列差分后会显示出平稳序列的性质,称这个非平稳序列为差分平稳序列。 对差分平稳序列可以使用ARIMA模型进行拟合 |
ARCH模型 | 能准确地模拟时间序列变量的波动性变化,适用于序列具有异方差性并且异方差函数短期自相关 |
GARCH模型及其衍生模型 | 称为广义ARCH模型,是ARCH模型的拓展。更能反映实际序列中的长期记忆性、信息的非对称性等性质 |
1、时间序列分析之前,需要进行序列的预处理,包括纯随机性和平稳性检验。根据检验结果可以将序列分为不同的类型,采取不同的分析方法。
纯随机序列 | 又叫白噪声序列,序列的各项之间没有任何相关关系,序列在进行完全无序的随机波动。 白噪声序列是没有信息可提取的平稳序列,可以终止分析。 |
平稳非白噪声序列 | 均值和方差是常数。通常建立一个线性模型来拟合该序列的发展,从而提取有用信息。 ARMA模型是最常用的平稳序列拟合模型。 |
非平稳序列 | 均值和方差不稳定。一般将其转变成平稳序列,应用有关平稳时间序列的分析方法,如ARMA模型。 如果时间序列经差分运算后,具有平稳性,称该序列为差分平稳序列,使用ARIMA模型进行分析。 |
(1)纯随机性检验
如果序列是纯随机性检验,则序列值之间应该没有任何关系。实际上纯随机性序列的样本自相关系数不会绝对为零,但是很接近零,并在零附近随机波动。
纯随机性检验,又叫白噪声检验,一般是构造检验统计量来检验。常用的检验统计量有Q统计量、LB统计量,由样本各延迟期数的自相关系数,可以计算出检验统计量,然后计算对应的p值,如果p值大于显著性水平