[第十章]时间序列分析

概述

时间序列

同一现象在不同时间上的观测值的数列
  • 时间和观测值的形式表示

时间序列分析

  1. 长期趋势
    1. 持续向上或持续向下
  1. 季节变动
    1. 一年内重复出现的周期性波动
  1. 循环波动
    1. 非固定长度的周期性波动

时间序列平稳性判断

  1. 时间序列的分类
      • 平稳序列
        • 基本不存在长期趋势的序列
        • 就算存在波动也没有规律
      • 非平稳序列
        • 存在长期趋势、季节性和循环波动的复合型序列
  1. 时间序列平稳性判断
      • 散点图
        • 画散点图,然后直观判断
      • 自相关函数
        • 越接近1,自相关程度越高,
        • 下降且接近0,平稳时间序列

时间序列建模的两种假设

  • 确定性时间序列模型假设:由确定性过程产生,有时间行数飙射
  • 随机性时间序列模型假设:随机过程产生

回归分析时间序列分析区别

  • 时间序列强调顺序
  • 时间序列各观测值之间存在一定关系,回归分析一般各自变量独立
  • 时间序列自身变化规律预测未来。回归分析因果关系预测未来
  • 时间序列一组随机序列的一次样本实现。回归分析,一组随机变量的n次独立重复实验

确定性时间序列分析

移动平均模型

利用历史统计数据的规律,利用最近使用数据的平均数,预测下一次的值
  • 适用于短期预测
  1. 一次移动平均预测法
    1. 保留最近一段时间的数据,算术平均数作为预测值
      • 不能变化太大或单调
        • n为移动平均项数
        • N是时间序列所需原始数据的个数
  1. 加权一次移动平均预测法
        • n为平均移动项数

指数平滑模型

各时期加权预测。时间序列的态势具有稳定性或规则性,利用最近的过去态势,预测未来的值
  1. 一次指数平滑法
      • 适用变化平稳,增长下降不明显的数据预测
      • 初始预测值
        • 前k个预测值的算数平均
      • 平滑系数
        • 经验选取
        • 水平型发展趋势,选0.1~0.3之间
  1. 二次指数平滑法
        • T是预测相差的期数
        • 不同t预测的结果不同

随机时间序列模型

概述

自回归模型AR(p)

移动平均模型MA(q)

当前和先前q个随机误差项的线性组合

自回归滑动平均模型ARMA(p,q)

  • 条件
    • 平稳性
    • 可逆性

差分整合移动平均自回归模型ARIMA(p,d,q)

  • 条件
    • 平稳性
    • 可逆性
  • 步骤
    • 平稳性判断
    • 非平稳的进行平稳性处理
      • 差分,确定差分的阶数d
    • 根据时间序列模型的识别规则建立相应模型,q和p的取值
    • 对模型参数估计
      • 最小二乘估计
      • 极大似然估计
    • 显著性、拟合效果检验分析
    • 预测
Prev
[第九章]回归分析算法
Next
实验
Loading...
Article List
一个NotionNext搭建的博客
数据库系统概论
大数据原理与应用
javaWeb应用开发基础教程
python
毕业设计
大数据技术综合应用
实训-航空数据系统
java面向对象程序设计
数据结构
算法分析与设计
SPARK
Python爬虫大数据采集与挖掘
云计算
概率论与数理统计
数字逻辑
计算机网络
计算机组成原理
linux
操作系统
人工智能导论
数据仓库与数据挖掘
数据可视化
大数据安全与隐私保护
c语言
C++