时间序列的平稳性与差分法
1、时间序列
时间序列(或称动态数列)是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。
2、为什么要平稳
我们的拿到的数据可能是千奇百怪的,但是我们要做预测,比如说如果我们想去预测股价,这些数据要有规律可循我们才可以进行预测,如果数据是随机出来的,一点规律也没有,那我们就很难建立一个模型预测接下来的数据,所以,在我们在预测的时候要求时间序列数据必须有一定的趋势,即未来的一段时间内仍能顺着现有的形态延续下去。
3、什么是平稳性
平稳的基本思想是:时间序列的行为并不随时间改变。
平稳性要求序列的均值和方差是与时间t无关的常数,协方差也只与时间间隔k有关,与时间t无关。
4、严平稳与弱平稳
严平稳:严平稳只有当序列所有的统计性质都不会随着时间的推移而发生变化,也就是分布不随时间的改变而改变
如:白噪声(正态),期望始终为0,方差始终为1
弱平稳:期望值与相关系数不变,期望值是常数(通常我们让它为0),X1与X3,X2与X4的相关系数都是一样的,也就是说,相关系数取决于时间间隔而非时间起始点,也就是说,未来某时刻的t的值Xt要依赖于它过去的信息
5、差分法
当我们拿到数据时,这些数据可能浮动很大,那怎么才能让数据变得平稳呢,其中一种方法就是差分法。
差分法:时间序列在t与t-1时刻的差值。
比如我们有一组序列,如下图
图1:原始数据图像
这组数据的分布还是很大的,不符合平稳性的要求,所以我们需要进行差分,将时刻值相减。
图2:一阶差分图像
对一阶差分后的数据再进行一阶差分则为二阶差分,并不是在源数据差分两次。
图3:二阶差分图像
有图像可知,二阶差分并没有比一阶差分好很多,所以选择一阶差分即可。
做差分可以使数据的平稳性更好一些,但需要注意的是不必要的差分可扭曲时间序列模型及降低预测精度。
6、Matlab中的diff函数
Y = diff(X):计算沿大小不等于1的第一个数组维度的X相邻元素之间的差分。如果X是长度为m的向量,则返回长度为m-1的向量;如果X是p*m的矩阵,则返回(p-1)*m的矩阵;如果X是空矩阵,则返回空矩阵。
Y = diff(X,n) 通过递归应用 diff(X) 运算符 n 来计算第 n 阶差分。在实际操作中,这表示 diff(X,2) 与diff(diff(X)) 相同。
Y = diff(X,n,dim) 是沿 dim 指定的维计算的第 n 阶差分。dim 输入是一个正整数标量。
时间序列的平稳性与差分法相关推荐
- python时间序列平稳性检验_Python量化投资基础:时间序列的平稳性检验
主要内容: 1. 自相关性和自相关系数 2. 强平稳和弱平稳 3. Python平稳性检验实战 重要性:10分 (1-10). 时间序列数据的平稳性对于我们采用什么样的分析方式.选择什么样的模型有着至 ...
- 理解时间序列的平稳性
平稳性 平稳性是用来描述时间序列数据统计性态的特有术语. 时间序列平稳性理解 凭以推测经济系统(或其相关变量)在未来可能出现的状况,亦即预测经济系统(或其相关变量)的走势,是我们建立经济计量模型的主要 ...
- 计量经济学之时间序列的平稳性、单位根检验、协整检验、时间序列数据的一般处理流程
时间序列的平稳性 为什么要把时间序列变成平稳的?--平稳性的意义 如何检验时间序列数据的平稳性?--单位根检验 数据不平稳怎么办?--协整检验 单整.协整(cointegration) 协整检验 总结 ...
- R语言检验时间序列的平稳性:使用tseries包的adf.test函数实现增强的Dickey-Fuller(ADF)检验、检验时序数据是否具有均值回归特性(平稳性)、不具有均值回归特性的案例
R语言检验时间序列的平稳性:使用tseries包的adf.test函数实现增强的Dickey-Fuller(ADF)检验.检验时序数据是否具有均值回归特性(平稳性).不具有均值回归特性的案例 目录
- R语言检验时间序列的平稳性(tseries包adf.test):时间序列数据是zoo或xts对象,使用coredata函数提取原始数据,再将其传递给adf.test函数
R语言检验时间序列的平稳性(tseries包adf.test):时间序列数据是zoo或xts对象,使用coredata函数提取原始数据,再将其传递给adf.test函数 目录
- R语言检验时间序列的平稳性:使用tseries包的adf.test函数实现增强的Dickey-Fuller(ADF)检验、检验时序数据是否具有均值回归特性(平稳性)、具有均值回归特性的案例
R语言检验时间序列的平稳性:使用tseries包的adf.test函数实现增强的Dickey-Fuller(ADF)检验.检验时序数据是否具有均值回归特性(平稳性).具有均值回归特性的案例 目录
- 时间序列的平稳性检验与随机性检验
1. 时间序列的定义 1.1 什么是时间序列 在统计研究中,常用按时间顺序排列的一组随机变量X1,X2,⋯ ,Xt,⋯X _ { 1 } , X _ { 2 } , \cdots , X _ ...
- python单位根检验平稳性怎么看是否平稳_Python关于时间序列的平稳性检验
一.自相关性 自相关性与相关性 自相关系数和偏自相关系数的计算 import tushare as ts from statsmodels.tsa import stattools pro = ts. ...
- python平稳性检验_Python中非平稳时间序列的处理
以下应用有什么共同点:预测未来三个月的一个家庭的电力消耗:估计在一定时期内道路的交通量:以及预测一个股票在纽约证券交易所上交易的价格. 以上都涉及时间序列数据的概念!如果没有"时间" ...
最新文章
- 进制转换与ascll码利用
- vscode中设置.mina语法高亮
- 如何保护企业网络免受DDoS攻击?—Vecloud微云
- AWS Amplify Console:赋予应用程序快速部署的能力
- linux0.11学习笔记-技术铺垫-简单AB任务切换程序(1)-实现一个简单的bootloader
- java 动态增加定时任务
- Atlas应用程序调试技巧
- Linux调试时常见问题,C程序在linux下调试时经常出现的问题
- 日语学习-多邻国-介绍
- 【openMV】色块追踪
- python-day11 Mysql 数据类型
- Java多线程学习二十二:为什么 Map 桶中超过 8 个才转为红黑树
- apache配置php后访问localhost出现403错误
- 校园网双出口配置实例
- cad卸载不干净_卸载软件不干净?这样做,完全没有残留
- php汽车保养oa,汽车行业oa管理系统
- RAW WAR WAW 数据相关性
- 超详细图文保姆级教程:App开发新手入门(六)
- wmi服务或wmi提供程序_什么是WMI提供程序主机(WmiPrvSE.exe),为什么使用那么多的CPU?...
- 找出1000以内的所有质数,并且统计1000以内质数的个数