数学建模与数据分析中的时间序列分析
时间序列分析
将某种现象的指标数值按照时间顺序排列而成的数值序列。
文章目录
- (1) 时间序列的基本概念
- 1. 组成要素
- 2. 时间序列的分类
- 3. 时间序列的分解
- ① 长期变动趋势 T
- ② 季节趋势 S
- ③ 循环趋势 C
- ④ 不顾则变动 I
- 4. 时间序列的分解模型
- (2) 季节分解
- (3) 指数平滑法
- 1. 简单指数平滑法
- 2. 线性趋势模型
- 3. 阻尼趋势模型
- 4. 简单季节趋势模型
- 5. Holt-Winters 加法模型
- 5. Holt-Winters 乘法模型
- (4) ARIMA 模型
- 1. 平稳时间序列和白噪声序列
- 2. 差分方程与滞后算子
- ① 差分
- ② 差分方程
- ③ 差分方程的特征方程
- ④ 滞后算子
- 3. AR(p) 与 MA(q)
- ① AR(p)--p 阶自回归模型
- ② MA(q)--q 阶移动平均模型
- ③ ARMA(p,q)--自回归移动平均模型
- 4. ACF与PACF
- ① ACF自相关系数
- ② PACF偏自相关系数
- ③ 使用PACF与ACF判断模型
- 5. 模型选择准则
- 6. 判断模型是否识别完全
- 7. ARIMA(p,d,q)
- 8. SARIMA模型
(1) 时间序列的基本概念
1. 组成要素
- 时间要素。
- 数值要素。
2. 时间序列的分类
- 时期序列:数值要素反映现象在一定时期内的表现。(历年的 GDP )
- 时点序列:数值要素反映现象在一定时间点上的瞬时水平。(每次模拟考试的成绩)
- 时期序列可加(相加表示更长一段时期的数值),时点序列不可加。(类比速度和加速度)
3. 时间序列的分解
① 长期变动趋势 T
- 表示统计指标在较长一段时间,受到某些长期因素(政策,生产力等)的影响,表现持续上升或持续下降的趋势。
② 季节趋势 S
- 由于季节的转变使指标数据发生周期性的变动。季节是广义的,可以为月、季、周,但不能是年。关键的核心在于周期性。
③ 循环趋势 C
- 与季节趋势的不同在于一方面时间通常以年作为单位,另一方面表现的只是增减趋势的交替出现,而不一定有严格的周期性。
④ 不顾则变动 I
- 扰动项,没有规律也不可预测,是偶然因素导致的。
4. 时间序列的分解模型
- 叠加模型:适用于四种变动之间是相互独立的关系。Y=T+S+LY=T+S+LY=T+S+L
- 乘积模型:适用于四种变动之间存在相互影响的关系。Y=T×S×LY=T\times S\times LY=T×S×L
YYY 表示指标数值的最终变动。 - 选取准则:
- 数据必须具有周期性。月份,季度数据可以用,但年份数据不能用。
- 不存在季节波动,两者都可以选择。
- 存在季节波动,随时间推移,季节波动变动较大可以优先考虑乘积模型,季节波动变化不大可以优先考虑叠加模型。
(2) 季节分解
- 使用 SPSS 软件,选取叠加模型还是乘积模型。
(3) 指数平滑法
1. 简单指数平滑法
- 适用于不含趋势和季节成分的情况。
- 类似于 ARIMA(0,1,1)。
- 令 xtx_txt 为 ttt 时刻的观测数据, StS_tSt 为第 ttt 期的平滑值,再令 St=x^t+1S_t=\hat{x}_{t+1}St=x^t+1 为第 t+1t+1t+1 期的预测值。满足如下条件:x^t+1=αxt+(1−α)x^t\hat{x}_{t+1}=\alpha x_t+(1-\alpha)\hat{x}_tx^t+1=αxt+(1−α)x^t
其中 0≤α≤10\le \alpha \le 10≤α≤1 称为平滑系数。 - 代入展开式为:x^t+1=αxt+α(1−α)xt−1+α(1−α)2xt−2+⋯\hat{x}_{t+1}=\alpha x_t+\alpha(1-\alpha)x_{t-1}+\alpha(1-\alpha)^2x_{t-2}+\dotsbx^t+1=αxt+α(1−α)xt−1+α(1−α)2xt−2+⋯
- 注意:由公式形式决定,简单指数平滑只能预测一期。
2. 线性趋势模型
- 适用于线性趋势,不含季节成分。
- 类似于 ARIMA(0,2,2)。
- ltl_tlt 表示在 ttt 时期的水平估计值,btb_tbt 表示在 ttt 时刻的趋势估计值(斜率),0≤α≤10\le \alpha \le 10≤α≤1 为水平的平滑系数,0≤β≤10\le \beta \le 10≤β≤1 为趋势的平滑系数。
{lt=αxt+(1−α)(lt−1+bt−1)(水平平滑方程)bt=β(lt−lt−1)+(1−β)bt−1(趋势平滑方程)x^t+h=lt+hbt,h=1,2,3,⋯(预测方程)\left\{ \begin{aligned} l_t=\alpha x_t+(1-\alpha)(l_{t-1}+b_{t-1})&&(水平平滑方程) \\ b_t=\beta(l_t-l_{t-1})+(1-\beta)b_{t-1}&&(趋势平滑方程) \\ \hat{x}_{t+h}=l_t+hb_t,h=1,2,3,\dotsb&&(预测方程) \end{aligned} \right. ⎩⎪⎨⎪⎧lt=αxt+(1−α)(lt−1+bt−1)bt=β(lt−lt−1)+(1−β)bt−1x^t+h=lt+hbt,h=1,2,3,⋯(水平平滑方程)(趋势平滑方程)(预测方程)
影响 btb_tbt 的因素是水平的增量和上一期的 bt−1b_{t-1}bt−1 的值,影响 ltl_tlt 的是当前观测值 xtx_txt,上一期的水平估计值 lt−1l_{t-1}lt−1 和上一期的趋势估计值 bt−1b_{t-1}bt−1。预测方程可以用积分做类似的理解。
3. 阻尼趋势模型
- 适用线性趋势逐渐减弱且不含季节性因素。
- 类似于 ARIMA(1,1,2)。
- ltl_tlt 表示在 ttt 时期的水平估计值,btb_tbt 表示在 ttt 时刻的趋势估计值(斜率),0≤α≤10\le \alpha \le 10≤α≤1 为水平的平滑系数,0≤β≤10\le \beta \le 10≤β≤1 为趋势的平滑系数,0<ϕ≤10<\phi\le10<ϕ≤1 为阻尼参数。
{lt=αxt+(1−α)(lt−1+ϕbt−1)(水平平滑方程)bt=β(lt−lt−1)+(1−β)ϕbt−1(趋势平滑方程)x^t+h=lt+(ϕ+ϕ2+⋯+ϕh)bt(预测方程)\left\{ \begin{aligned} l_t=\alpha x_t+(1-\alpha)(l_{t-1}+\phi b_{t-1})&&(水平平滑方程) \\ b_t=\beta(l_t-l_{t-1})+(1-\beta)\phi b_{t-1}&&(趋势平滑方程) \\ \hat{x}_{t+h}=l_t+(\phi+\phi^2+\dotsb+\phi^h)b_t&&(预测方程) \end{aligned} \right. ⎩⎪⎨⎪⎧lt=αxt+(1−α)(lt−1+ϕbt−1)bt=β(lt−lt−1)+(1−β)ϕbt−1x^t+h=lt+(ϕ+ϕ2+⋯+ϕh)bt(水平平滑方程)(趋势平滑方程)(预测方程)
可以看出当阻尼参数越接近 0 时,对原趋势的阻碍作用越大。
下面是一张阻尼与线性的预测图。
4. 简单季节趋势模型
- 适用有稳定的季节成分、不含趋势。
- 类似于 SARIMA(0,1,1) ×\times× (0,1,1)。
- ltl_tlt 表示在 ttt 时期的水平估计值,sts_tst 表示在 ttt 时刻的季节估计值,0≤α≤10\le \alpha \le 10≤α≤1 为水平的平滑系数,0≤γ≤10\le \gamma \le 10≤γ≤1 为趋势的平滑系数,mmm 代表周期的长度,月为周期就是 12,季度为周期就是 4。
{lt=α(xt−st−m)+(1−α)lt−1(水平平滑方程)st=γ(xt−lt−1)+(1−γ)st−m(季节平滑方程)x^t+h=lt+st+h−m(k+1),k=⌊h−1m⌋(预测方程)\left\{ \begin{aligned} l_t&=\alpha (x_t-s_{t-m})+(1-\alpha)l_{t-1}&&(水平平滑方程) \\ s_t&=\gamma(x_t-l_{t-1})+(1-\gamma) s_{t-m}&&(季节平滑方程) \\ \hat{x}_{t+h}&=l_t+s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor&&(预测方程) \end{aligned} \right. ⎩⎪⎪⎪⎨⎪⎪⎪⎧ltstx^t+h=α(xt−st−m)+(1−α)lt−1=γ(xt−lt−1)+(1−γ)st−m=lt+st+h−m(k+1),k=⌊mh−1⌋(水平平滑方程)(季节平滑方程)(预测方程)
5. Holt-Winters 加法模型
- 适用有稳定的季节成分、含线性趋势。
- 类似于 SARIMA(0,1,0) ×\times× (0,1,1)。
- ltl_tlt 表示在 ttt 时期的水平估计值,sts_tst 表示在 ttt 时刻的季节估计值,0≤α≤10\le \alpha \le 10≤α≤1 为水平的平滑系数,0≤γ≤10\le \gamma \le 10≤γ≤1 为趋势的平滑系数,mmm 代表周期的长度,月为周期就是 12,季度为周期就是 4。
{lt=α(xt−st−m)+(1−α)(lt−1+bt−1)(水平平滑方程)bt=β(lt−lt−1)+(1−β)bt−1(趋势平滑方程)st=γ(xt−lt−1−bt−1)+(1−γ)st−m(季节平滑方程)x^t+h=lt+hbt+st+h−m(k+1),k=⌊h−1m⌋(预测方程)\left\{ \begin{aligned} l_t&=\alpha (x_t-s_{t-m})+(1-\alpha)(l_{t-1}+b_{t-1})&&(水平平滑方程) \\ b_t&=\beta(l_t-l_{t-1})+(1-\beta) b_{t-1}&&(趋势平滑方程) \\ s_t&=\gamma(x_t-l_{t-1}-b_{t-1})+(1-\gamma) s_{t-m}&&(季节平滑方程) \\ \hat{x}_{t+h}&=l_t+hb_t+s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor&&(预测方程) \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎧ltbtstx^t+h=α(xt−st−m)+(1−α)(lt−1+bt−1)=β(lt−lt−1)+(1−β)bt−1=γ(xt−lt−1−bt−1)+(1−γ)st−m=lt+hbt+st+h−m(k+1),k=⌊mh−1⌋(水平平滑方程)(趋势平滑方程)(季节平滑方程)(预测方程) - 水平方程表示在 ttt 时刻,季节性调整的观察值与非季节性预测值之间的加权平均值。
- 季节性方程表示当前季节性指数和去年同一季节(即 mmm 个时间段前)的季节性指数之间的加权平均值。
5. Holt-Winters 乘法模型
- 适用不稳定的季节成分、含线性趋势。
- 不存在 ARIMA 模型。
{lt=αxtst−m+(1−α)(lt−1+bt−1)(水平平滑方程)bt=β(lt−lt−1)+(1−β)bt−1(趋势平滑方程)st=γxtlt−1+bt−1+(1−γ)st−m(季节平滑方程)x^t+h=(lt+hbt)st+h−m(k+1),k=⌊h−1m⌋(预测方程)\left\{ \begin{aligned} l_t&=\alpha \frac{x_t}{s_{t-m}}+(1-\alpha)(l_{t-1}+b_{t-1})&&(水平平滑方程) \\ b_t&=\beta(l_t-l_{t-1})+(1-\beta) b_{t-1}&&(趋势平滑方程) \\ s_t&=\gamma\frac{x_t}{l_{t-1}+b_{t-1}}+(1-\gamma) s_{t-m}&&(季节平滑方程) \\ \hat{x}_{t+h}&=(l_t+hb_t)s_{t+h-m(k+1)},k=\lfloor \frac{h-1}{m} \rfloor&&(预测方程) \end{aligned} \right. ⎩⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎧ltbtstx^t+h=αst−mxt+(1−α)(lt−1+bt−1)=β(lt−lt−1)+(1−β)bt−1=γlt−1+bt−1xt+(1−γ)st−m=(lt+hbt)st+h−m(k+1),k=⌊mh−1⌋(水平平滑方程)(趋势平滑方程)(季节平滑方程)(预测方程)
下图为分别使用乘法模型与加法模型进行的预测:
(4) ARIMA 模型
1. 平稳时间序列和白噪声序列
- 协方差平稳(弱平稳):时间序列 xt{x_t}xt 满足以下三个条件
- E(xt)=E(xt−s)=μE(x_t)=E(x_{t-s})=\muE(xt)=E(xt−s)=μ 均值固定为常数。
- Var(xt)=var(xt−s)=σ2Var(x_t)=var(x_{t-s})=\sigma^2Var(xt)=var(xt−s)=σ2 方差存在且为常数。
- Cov(xt,xt−s)=γsCov(x_t,x_{t-s})=\gamma_sCov(xt,xt−s)=γs 协方差只与间隔 sss 有关,与 ttt 无关。
- 白噪声:时间序列 xt{x_t}xt 满足以下三个条件
- E(xt)=E(xt−s)=0E(x_t)=E(x_{t-s})=0E(xt)=E(xt−s)=0
- Var(xt)=Var(xt−s)=σ2Var(x_t)=Var(x_{t-s})=\sigma^2Var(xt)=Var(xt−s)=σ2 方差存在且为常数。
- Cov(xt,xt−s)=0Cov(x_t,x_{t-s})=0Cov(xt,xt−s)=0
2. 差分方程与滞后算子
① 差分
- 目的:通过作差来消除整体趋式或者季节变动的影响,比如下面 google 的股价,右边是做完差分后的状态。
② 差分方程
- 将某个时间序列变量表示为该变量的滞后项、时间和其他变量的一个函数方程。
- 自回归 AR(p)AR(p)AR(p) 模型yt=α0+α1yt−1+⋯+αpyt−p+ϵty_t=\alpha_0+\alpha_1y_{t-1}+\dotsb+\alpha_py_{t-p}+\epsilon_tyt=α0+α1yt−1+⋯+αpyt−p+ϵt
- 移动平均 MA(q)MA(q)MA(q) 模型yt=ϵt+β1ϵt−1+⋯+βqϵt−qy_t=\epsilon_t+\beta_1\epsilon_{t-1}+\dotsb+\beta_q\epsilon_{t-q}yt=ϵt+β1ϵt−1+⋯+βqϵt−q
- 自回归移动平均 ARMA(p,q)ARMA(p,q)ARMA(p,q) 模型yt=α0+∑i=1pαiyt−i+ϵt+∑i=1qβiϵt−iy_t=\alpha_0+\sum_{i=1}^{p}\alpha_iy_{t-i}+\epsilon_t+\sum_{i=1}^{q}\beta_i\epsilon_{t-i}yt=α0+i=1∑pαiyt−i+ϵt+i=1∑qβiϵt−i
③ 差分方程的特征方程
- 差分方程的齐次部分:只包含该变量自身及其滞后项。
- 特征方程:令齐次部分中的 yt=xty_t=x^tyt=xt。
例如,对自回归移动平均 ARMA(p,q)ARMA(p,q)ARMA(p,q)模型:
齐次部分:yt=∑i=1pαiyt−iy_t=\sum_{i=1}^{p}\alpha_iy_{t-i}yt=i=1∑pαiyt−i
特征方程(代入化简):xp=α1xp−1+α2xp−2+⋯+αpx^p=\alpha_1x^{p-1}+\alpha_2x^{p-2}+\dotsb+\alpha_pxp=α1xp−1+α2xp−2+⋯+αp
④ 滞后算子
- 用来简化差分方程的书写。
- 用符号 LLL 来表示滞后算子,Liyt=yt−iL^iy_t=y_{t-i}Liyt=yt−i
- LC=CLC=CLC=C(CCC为常数)
- (Li+Lj)yt=yt−i+yt−j(L^i+L^j)y_t=y_{t-i}+y_{t-j}(Li+Lj)yt=yt−i+yt−j
- LiLjyt=yt−i−jL^iL^jy_t=y_{t-i-j}LiLjyt=yt−i−j
- 差分的转化:
- 一阶差分:Δyt=yt−yt−1=(1−L)yt\Delta y_t=y_t-y_{t-1}=(1-L)y_tΔyt=yt−yt−1=(1−L)yt
- 二阶差分:Δyt=(yt−yt−1)−(yt−1−yt−2)=(1−L)2yt\Delta y_t=(y_t-y_{t-1})-(y_{t-1}-y_{t-2})=(1-L)^2y_tΔyt=(yt−yt−1)−(yt−1−yt−2)=(1−L)2yt
- k 阶差分:Δyt=(1−L)kyt\Delta y_t=(1-L)^ky_tΔyt=(1−L)kyt
3. AR(p) 与 MA(q)
① AR(p)–p 阶自回归模型
yt=α0+α1yt−1+⋯+αpyt−p+ϵt⇌(1−∑i=1pLiαi)yt=ϵt+α0y_t=\alpha_0+\alpha_1y_{t-1}+\dotsb+\alpha_py_{t-p}+\epsilon_t\rightleftharpoons (1-\sum_{i=1}^pL^i\alpha_i)y_t=\epsilon_t+\alpha_0yt=α0+α1yt−1+⋯+αpyt−p+ϵt⇌(1−i=1∑pLiαi)yt=ϵt+α0
- ϵt\epsilon_tϵt 是方差为 σ2\sigma^2σ2的白噪声序列。
- 自回归只能适用于预测与自身前期相关的现象。
- 自回归模型只能应用于平稳的序列,如果不平稳要先转换。
- 平稳的判断:
转换成特征方程并解出 ppp 个特征根 xp=α1xp−1+α2xp−2+⋯+αpx^p=\alpha_1x^{p-1}+\alpha_2x^{p-2}+\dotsb+\alpha_pxp=α1xp−1+α2xp−2+⋯+αp- ppp 个特征根的模值均比 111 小,平稳。
- ppp 个特征根中有 kkk 个根模值恰好为 111,进行 kkk 阶单位根过程,就是进行 kkk 次差分。
- ppp 个特征根中存在一个根的模值比 111 大,不平稳。
② MA(q)–q 阶移动平均模型
yt=ϵt+β1ϵt−1+⋯+βqϵt−q⇌yt=ϵt+(1+∑i=1qLiβi)ϵty_t=\epsilon_t+\beta_1\epsilon_{t-1}+\dotsb+\beta_q\epsilon_{t-q}\rightleftharpoons y_t=\epsilon_t+(1+\sum_{i=1}^qL^i\beta_i)\epsilon_tyt=ϵt+β1ϵt−1+⋯+βqϵt−q⇌yt=ϵt+(1+i=1∑qLiβi)ϵt
- 可以与AR模型之间相互转化。
- 平稳的判断:只要 qqq 不取 ∞\infin∞ 就平稳。
③ ARMA(p,q)–自回归移动平均模型
yt=α0+∑i=1pαiyt−i+ϵt+∑i=1qβiϵt−i⇌(1−∑i=1pLiαi)yt=α0+(1+∑i=1qLiβi)ϵty_t=\alpha_0+\sum_{i=1}^{p}\alpha_iy_{t-i}+\epsilon_t+\sum_{i=1}^{q}\beta_i\epsilon_{t-i}\rightleftharpoons (1-\sum_{i=1}^pL^i\alpha_i)y_t=\alpha_0+(1+\sum_{i=1}^qL^i\beta_i)\epsilon_tyt=α0+i=1∑pαiyt−i+ϵt+i=1∑qβiϵt−i⇌(1−i=1∑pLiαi)yt=α0+(1+i=1∑qLiβi)ϵt
- 平稳性的判断:只与 AR§部分有关。
4. ACF与PACF
两个相关系数存在的条件都是时间序列是平稳的。
① ACF自相关系数
- 定义
ρs=cov(xt,xt−s)Var(xt)Var(xt−s)=γsγ0\rho_s=\frac{cov(x_t,x_{t-s})}{\sqrt{Var(x_t)}\sqrt{Var(x_{t-s})}}=\frac{\gamma_s}{\gamma_0}ρs=Var(xt)Var(xt−s)cov(xt,xt−s)=γ0γs 由平稳时间序列的定义转化到 γ\gammaγ 的比值,表明在一个平稳的时间序列中相隔 sss 期的两个时间点之间的相关系数。 - 样本的自相关系数rs=ρ^s=∑t=s+1T(xt−x‾)(xt−s−x‾)∑t=1T(xt−x‾)2r_s=\hat{\rho}_s=\frac{\sum_{t=s+1}^T(x_t-\overline{x})(x_{t-s}-\overline{x})}{\sum_{t=1}^T(x_t-\overline{x})^2}rs=ρ^s=∑t=1T(xt−x)2∑t=s+1T(xt−x)(xt−s−x)
- 如果时间序列是白噪声序列
ρs={1s=00s≠0\rho_s=\left\{ \begin{aligned} 1&&s=0 \\ 0&&s\not ={0} \end{aligned} \right. ρs={10s=0s=0
② PACF偏自相关系数
- 它衡量的是在移除滞后量 1,2,⋯,k−11,2,\dotsb,k-11,2,⋯,k−1 的影响的情况下, yty_tyt 和 yt−ky_{t-k}yt−k 的关系,而之前 ACF在求yty_tyt 和 yt−ky_{t-k}yt−k 的关系时并未去除中间变量的影响。
③ 使用PACF与ACF判断模型
具体到数据图中:
- 自相关函数图拖尾,偏自相关函数图 333 阶截止,因此为 AR(3)。
- 偏自相关函数图拖尾,自相关函数图 222 阶截止,因此为 MA(2)。
5. 模型选择准则
- 赤池信息准则 AIC
AIC=2(模型中参数的个数)−2ln(模型的极大似然函数值)AIC=2(模型中参数的个数)-2ln(模型的极大似然函数值)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 BIC
BIC=ln(T)(模型中参数的个数)−2ln(模型的极大似然函数值)BIC=ln(T)(模型中参数的个数)-2ln(模型的极大似然函数值)BIC=ln(T)(模型中参数的个数)−2ln(模型的极大似然函数值)
TTT:样本个数。
模型中参数个数:反映模型的复杂程度。
模型的极大似然函数值:反映模型对于数据的拟合程度。
6. 判断模型是否识别完全
- 对残差进行检验,如果是白噪声说明识别完全,否则表示识别不完全。
- Q 检验
- H0:ρ1=ρ2=⋯=ρs=0,H1:H_0:\rho_1=\rho_2=\dotsb=\rho_s=0,H_1:H0:ρ1=ρ2=⋯=ρs=0,H1: 至少有一个 ρi\rho_iρi 不为 000。
- 构造统计量Q=T(T+2)∑k=1srk2T−k∼χ2(s−n)Q=T(T+2)\sum _{k=1}^s\frac{r_k^2}{T-k}\sim \chi^2(s-n)Q=T(T+2)k=1∑sT−krk2∼χ2(s−n)
- TTT 表示样本的个数,nnn 表示模型中未知参数的个数(ARMA(p,q) n=p+q+1),sss 根据样本量大小进行选取。
7. ARIMA(p,d,q)
- 目的:处理非平稳有 ddd 阶单位根的数据,进行 ddd 阶差分。
yt′=Δdyt=(1−L)dyty'_t=\Delta^dy_t=(1-L)^dy_tyt′=Δdyt=(1−L)dyt
yt′=α0+∑i=1pαiyt−i′+ϵt+∑i=1qβiϵt−i⇌(1−∑i=1pLiαi)(1−L)dyt=α0+(1+∑i=1qLiβi)ϵty'_t=\alpha_0+\sum_{i=1}^{p}\alpha_iy'_{t-i}+\epsilon_t+\sum_{i=1}^{q}\beta_i\epsilon_{t-i}\rightleftharpoons (1-\sum_{i=1}^pL^i\alpha_i)(1-L)^dy_t=\alpha_0+(1+\sum_{i=1}^qL^i\beta_i)\epsilon_tyt′=α0+i=1∑pαiyt−i′+ϵt+i=1∑qβiϵt−i⇌(1−i=1∑pLiαi)(1−L)dyt=α0+(1+i=1∑qLiβi)ϵt
下面是 ARIMA(1,1,1)的曲线图
8. SARIMA模型
- 目的:增加对季节性因素的考虑。
SARIMA(p,d,q)(P,D,Q)mSARIMA(p,d,q)(P,D,Q)_mSARIMA(p,d,q)(P,D,Q)m mmm 表示周期数。
数学建模与数据分析中的时间序列分析相关推荐
- 数学建模常用模型24:时间序列分析
给大家安利一款朋友开发的自研国产数据分析基础工具,一键式自动分析,自动生成分析模板,5分钟掌握主流61个统计类数学模型(几乎涵盖SPSS绝大部分功能),以及23个有监督机器学习(包括随机森林,SVM, ...
- 数学建模与数据分析中的灰色关联分析
灰色关联分析 可以在数据量比较少的情况下,分析出主要因素.次要因素等 文章目录 (1) 数理统计传统方法的问题 (2) 灰色关联分析 1. 基本思想 2. 进行系统分析 3. 用于综合评价模型 (1) ...
- 数据分析技术:时间序列分析的AR/MA/ARMA/ARIMA模型体系
基础准备 前面草堂君已经按照时间序列分析的教学顺序推送了以下文章,大家可以直接点击下方文章名称阅读回顾: 数据分析技术:时间序列分析:时间是把杀猪刀: SPSS分析技术:时间序列描述:磨刀不误砍柴工, ...
- 数学建模与数据分析 || 1. 数学建模简介
数学建模简介 文章目录 数学建模简介 1. 数学建模比赛的理解 2. 一般数据分析的流程 3. 机器学习与统计数据分析 4. 各种编程软件仅仅是工具,对问题的观察视角和解决问题的策略才是关键 4.1 ...
- 2022高教社杯数学建模思路 - 复盘:中小微企业的信贷决策
2022 高教社杯(国赛数学建模)思路解析 2022高教社杯ABCD赛题思路解析: https://blog.csdn.net/dc_sinor/article/details/126211983 数 ...
- 数学建模与数据分析 || 3. 面向数据的特征提取方法: 探索性数据分析
面向数据的特征提取方法: 探索性数据分析 文章目录 面向数据的特征提取方法: 探索性数据分析 1. 原始数据的准备 1.1 导入 python 模块 1.2 导入数据集并进行宏观认识 1.3 数据集描 ...
- 2.数学建模论文写作中需要注意的点
论文写作中需要注意的点 一.比赛时建议的分工方式 数模小组的科学分工:三个人侧重点不同(既分工又合作)(平时加强联系与训练,达成默契:比赛时) • 一人负责建模:建立数学模型,数学能力强; • 一人负 ...
- 2020暑期数学建模(数据分析)学习笔记
总算忙完所有课程论文,购买了视频课程. 第1讲 层次分析法 综合评价课已学,B站视频也看了,略过. 第2讲 TOPSIS法(优劣解距离法) 综合评价课已学,B站视频也看了,略过. 第3讲 插值算法 针 ...
- 数学建模(数据分析C题)-建模思路
前言: 参考E038 的2019薄利多销优秀论文的模型建立与求解 http://dxs.moe.gov.cn/zx/a/hd_sxjm_sxjmlw_2019qgdxssxjmjslwzs/19102 ...
最新文章
- python自动生成测试报告步骤_生成HTMLTestRunner测试报告的操作步骤——Python+selenium自动化...
- HTTP协议基础知识总结
- 前端每隔几秒发送一个请求
- JDK 12新闻(2018年9月13日)
- sql server 日期类型
- JENKINS使用DOCKER运行PYTEST并且出ALLURE报告
- 行政组织理论-阶段测评3
- 关于WPF界面框架合集
- Python 数据框将某列设置为新索引、重新定义行索引、及获取列名
- .NET前后分离解决方案
- 【Course 2 改善深度神经网络】Week 1 深度学习的实用层面
- Multi-Instance Multi-Label Learning Networks for Aspect-Category Sentiment Analysis
- 科普:Flutter应用打包、修改图标、修改启动页和app名字、加固后重新V1V2签名
- 计算机组成原理笔记(王道考研) 第七章:输入输出系统
- STM32普通IO模拟SPI和W25Q32通信调试
- 用在线工具processOn画UML的用例图和时序图
- Windows10系统下从库中删除文件夹(保留原始位置的文件)
- 像素鸟 app 的设计与实现
- Debian的试用笔记
- love2d之路(一)环境配置
热门文章
- java中的接口是什么?
- 2021大连高考成绩查询,2021年大连高考各高中成绩及本科升学率数据排名及分析...
- IDEA如何设置热启动
- libusb android 编译,Android如何对libusb进行编译和使用
- 进程调度 优先级c语言,按优先级调度算法实现进程调度的程序
- Python语言程序设计(嵩天老师)-期末考试3.2-站队顺序输出
- 摄像头识别黑烟加框处理(测试)
- windows远程提示credssp加密数据库修正问题解决
- 关于我自己 a propos de moi
- Web2与Web3开发的不同之处