平稳序列的预测和拟合之模型识别
目录
1.计算样本相关系数和偏自相关系数
2.模型识别
模型定阶的困难
样本相关系数的近似分布及模型定阶经验方法
例题:
2.参数估计
常用估计方法:
1.矩估计
2.极大似然估计
3.最小二乘估计
R中,参数估计用arima函数
例题
小结
1.计算样本相关系数和偏自相关系数
样本自相关系数:
样本偏自相关系数:样本估计值加 ^ ,总体真实值没有哦!!
其中:
2.模型识别
基本原则:
由上方还可得到:
模型定阶的困难
由于样本的随机性,样本的相关系数不会呈现出理论截尾的完美情况,本应结尾的,仍会呈现小值振荡。
平稳时间序列通常具有短期相关性,随着1延迟阶数,与都会衰减至0附近作小值波动。
样本相关系数的近似分布及模型定阶经验方法
模型定阶的经验方法:
若样本(偏)自相关系数在最初的d阶明显大于两倍标准差,而后几乎95%都落在2倍标准差内,且通常由非零自相关系数衰减为小值波动的过程非常突然。通常视(偏)自相关系数截尾。截尾阶数为d。
例题:
检验过程:
例4-1选择合适的模型拟合1900- 1998年全球7级以上地震发生次数序列。
a<-read.table("C:/Users/zyj/Desktop/4_1.csv",sep=",",header=T)
x<-ts(a$number,start=1900)
plot(x) #时序图
#library(aTSA) #aTSA导入程序包
adf.test(x) #单位根检验
for(i in 1:2)print(Box.test(x,lag=6*i))
acf(x)
pacf(x)
返回:
时序图:初步观察,该序列是平稳的,因在一个常数范围内摆动,但有一定的主观性
单位根检验:
type1中p值都大于0.05,所以非平稳;type2中p值都小于0.05,所以平稳;type3中只有在延迟期数为0,1,2中的p值都小于0.05,所以在延迟期数为0,1,2上平稳,3以后非平稳。
白噪声检验:
如图,延迟6期和12期的p值都小于0.05,所以不是白噪声序列。
综上,该序列是平稳的非白噪声序列。
自相关系数图:
如图,从5阶开始才进入二倍标准差区间,所以具有拖尾性。
偏自相关系数图:
如图,从2阶开始突然全部在二倍标准差区间内,所以具有1阶截尾性。
综上,由自相关系数和偏自相关系数是AR(1)模型
例4-2选择合适的模型拟合美国科罗拉多州某一加油站连续57天的盈亏(OVERSHORT)序列
b<-read.table("C:/Users/zyj/Desktop/4_2.csv",sep=",",header=T)
y<-ts(b$overshort)
plot(y) #时序图
#library(aTSA) #aTSA导入程序包
adf.test(y) #单位根检验
for(i in 1:2)print(Box.test(y,lag=6*i))
acf(y)
pacf(y)
返回:
时序图:
如图,很明显是平稳的。再进行一下单位根检验。
单位根检验:
如图,所有类型的p值都小于0.05,所以拒绝原假设,认为它是平稳序列。
白噪声检验:
如图,延迟6期和12期的p值都小于0.05,所以不是白噪声序列。
自相关系数图:
如图,,从2阶开始基本都在二倍标准差区间内,所以是1阶截尾。
偏自相关系数图:
如图,具有拖尾性。
综上,该模型为MA(1)模型。
例4-3选择合适的模型拟合1880-1985全球气表平均温度改变值差分序列(表例4-3.csv中全球气表平均温度改变值序列)
c<-read.table("D:/桌面/4_3.csv",sep=",",header=T)
z<-ts(c$change,start=1880)
plot(z) #时序图
difz<-diff(z)
plot(difz) #差分时序图
#library(aTSA) #aTSA导入程序包
adf.test(difz) #单位根检验
for(i in 1:2)print(Box.test(difz,lag=6*i))
acf(difz)
pacf(difz)
返回:
时序图:
如图,有上升的趋势,所以不是平稳的
差分时序图:
如图,可得是平稳的,但还需检验
对差分进行检验:
如图,各属性的p值都小于0.05,所以拒绝原假设,认为它是平稳的。
白噪声检验:
如图,延迟6期和12期的p值都小于0.05,所以不是白噪声序列
自相关系数图:
如图,具有拖尾性
偏自相关系数图:
如图,在7阶以后才逐渐进入二倍标准差区间,所以具有拖尾性
综上,该模型是ARMA(1,1)模型
2.参数估计
对于一个非中心化ARMA(p,q)模型
常用估计方法:
- 距估计
- 极大似然估计
- 最小二乘估计
1.矩估计
原理:样本自相关系数估计总体自相关系数
样本一阶均值估计总体均值,样本方差估计总体方差
对矩估计的评价:
优点:
●估计思想简单直观
●不需要假设总体分布
●计算量小(低阶模型场合)
缺点:
●信息浪费严重:只用到了p+q个样本自相关系数信息,其他信息都被忽略.
●估计精度差
通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值
2.极大似然估计
原理:样本出现概率最大。因此未知参数的极大似然估计就是使得似然函数(即联合密度函数)达到最大
设序列服从多元正态分布:
似然方程组是由p+q+1个超越方程构成,通常需要经过复杂的迭代算法才能求出
对极大似然估计的评价:
优点
●极大似然估计充分应用了每一个观察值所提供的信息,因而它的估计精度高
●同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质.
缺点
●需要假定总体分布
3.最小二乘估计
原理:使残差平方和达到最小的那组参数值即为最小二乘估计值
条件最小二乘估计
假设条件:假设过去未观测到的序列值等于零=0,1≤0
通过迭代求解
对最小二乘估计的评价:
优点
●最小二乘估计充分应用了每一个观察值所提供的信息,因而它的估计精度高
●条件最小二乘估计方法使用率最高
缺点
●需要假定总体分布
R中,参数估计用arima函数
例题
例4-1续(1)使用极大似然估计法确定1900-1998年全球7级以上地震发生次数序列拟合模型的口径。
拟合模型: AR(1)
R拟合:
fit1=arima(x,order=c(1,0,0),method="ML")
fit1
返回:
例4-2续(1)确定美国科罗拉多州某一加油站连续57天盈亏序列拟合模型的口径
拟合模型: MA(1)
估计方法:条件最小二乘法估计
模型口径:
R拟合:
fit2=arima(y,order=c(0,0,1),method="CSS")
fit2
返回:
例4-3续(1)确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径
拟合模型:ARMA(1,1)
估计方法:条件最小二乘与极大似然混合估计模型口径
模型口径:
R拟合:
fit3<-arima(difz,order=c(1,0,1))
fit3
返回:
小结
1、参数估计
矩估计、极大似然估计、最小二乘估计
2、R实现
arima(x,order=,include.mean=,method=)
平稳序列的预测和拟合之模型识别相关推荐
- 平稳序列的预测和拟合之单位根检验
目录 1.建模步骤 2.单位根检验 2.1 DF检验(以AR(1)模型为例) DF检验的等价表达 DF检验的三种类型 R语言单位根检验: 2.2 ADF检验 ADF检验的三种类型 小结 1.建模步骤 ...
- 平稳序列的预测和拟合之模型优化
目录 前提 准则 1.AIC准则 2.SBC (BIC)准则 优化 小结 前提 问题提出:模型通过检验,说明是有效的,但有效的模型不唯一. 下面我们用一个例子来解释一下: 例4-7:试对某次化学反应的 ...
- 平稳序列的预测和拟合之模型检验
目录 1.模型的显著性检验 R语言实现 例题 2.参数显著性检验 例题 小结 1.模型的显著性检验 检验模型的有效性(对信息的提取是否充分) 判定原则: 一个好的拟合模型应该能够提取几乎所有的样本相关 ...
- 平稳序列的拟合和预测之序列的预测
目录 1.线性预测函数 2.预测方差最小原则 3.线性最小方差预测的性质 AR(p)序列的预测 例题 R语言预测举例 MA(q)序列的预测 例题 ARMA(p,q)序列预测 例题 小结 序列只有为非白 ...
- ARIMA模型——非平稳序列的随机性分析
一.拟合ARIMA模型 ARIMA是先运用差分运算得到平稳序列,再对平稳序列建立ARMA模型.差分运算可用diff函数完成,命令格式为: diff(x,lag=,differences=) 其中:x: ...
- 【机器学习笔记39】时序分析(非平稳序列建模)
[参考资料] [1]应用时序分析 [2]https://blog.csdn.net/u010414589/article/details/49622625 [3]http://www.statsmod ...
- 一些常用的判断预测、拟合、回归的精度评价函数和相关性评价函数
一些常用的判断预测.拟合.回归的精度和相关性的指标 一. 部分精度指标的公式 二. 精度评价函数.相关性评价函数.综合评价函数的测试代码,代码最后将12种精度指标和7种相关性指标结果整合为一个综合评价 ...
- 基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文
基于卷积神经网络的序列特异性预测研究--云南大学范航恺硕士论文 摘要 研究背景 研究现状 研究意义与所作工作: 第二章 生物学应用背景 模体的概念 模体的表示方法 模体序列特异性的评价方法 第三章 深 ...
- 当一个序列满足对于任意的前 项和都满足不小于_时间序列分析第01讲--平稳序列(基本概念,线性平稳序列)...
第一章 平稳序列 1.1平稳序列基本概念 无论是从原序列中把趋势项去掉得到的随机波动项,还是用随机差分后得到残差序列,都会存在一种现象:随机项会沿着水平值波动,并且前后之间具有相关性,与独立序列不同. ...
最新文章
- 【直播资料下载】Python第五讲——关于爬虫如何做js逆向的思路
- discuz 删除系统自带的附件上传
- Redis和mysql数据怎么保持数据一致的?
- (转载)设计模式之-策略模式(Strategy)
- Spring注解@Component、@Repository、@Service、@Controll
- 写给.NET开发者的数据库Migration方案
- oracle with as用法_关于Oracle with语句用法说明
- selenium 实现循环点击_webdriver处理循环点击
- 如何取消计算机中的0-9,告诉你如何关闭win10易升程序
- matlab许可证_MATLAB校园许可证更新指南
- 石英晶振的电路组成与设计
- 两个微信号绑定一个服务器ip,一个手机号能绑定几个微信账号(一个手机号注册多个微信号的方法)...
- numpy的squeeze函数和expand_dims函数
- 安装语言包-英文(美国)
- numpy模块基础篇
- 项目日历是什么?如何规划?
- Java“菜单“树递归-合并子树
- vue-cli3使用webpack-spritesmith配置雪碧图
- 为地球减碳1亿吨,阿里云低碳科技加速器发布
- go语言学习第一弹:go和php的区别
热门文章
- win7系统怎么打开屏幕键盘
- edge浏览器扩展插件中心10月发布 可直接安装Chrome扩展
- RTMP播放器开发填坑之道
- SpringCloud 超详细个人笔记
- 用自定义注解做点什么——自定义注解有什么用
- 刀片服务器改台式电脑_服务器到底是个什么东东?跟电脑有啥区别?电脑知识学习!...
- python打飞机源码_python 飞机大战 游戏源码(pygame入门级)
- c语言编程经典实例利润,C语言经典编程实例100题解答
- linux怎么重装ssh服务器,Linux平台下安装SSH
- java xms512m_安装版的tomcat设置JAVA_OPTS=-Xms128M -Xmx512M -XX:PermSize=128M -XX:MaxPermSize=512M...