时间序列分析之二:基本模型
来源:互联网 发布:电梯优化问题 编辑:程序博客网 时间:2024/06/05 09:26
时间序列建模的基本步骤如下
步骤一:对数据进行平稳性和高斯性检验
步骤二:如果非平稳和非高斯,需要进行平稳化处理
步骤三:根据自相关函数、偏相关函数、功率谱密度的特点选择特定的时间序列模型
步骤四:模型阶数的确定
步骤五:模型参数的确定
步骤六:模型正确性的检验
时间序列模型建立在随机序列平稳性和白噪声激励的假设之上,这是因为实际的随机系统的数据大多都符合平稳性条件(期望为常数、相关函数只与间隔有关)。即线性平稳模型以随机差分方程为特点,意义为以白噪声作为激励通过线性滤波器的输入输出结果。
随机差分方程可以写成此时的数据与所有时刻的白噪声的线性组合,也可以写成历史时刻的数据与此时刻的白噪声的线性组合,以差分算子为基础可以写成代数方程(也可以理解为Z变换)。
但是上述表示方法包含无穷多个参量,不具有实际意义,选择有限参数作为常用模型,包括:AR模型、MA模型、ARMA模型等(Auto-regress-moving-average)。
由于时间序列模型的自相关函数、功率谱密度、偏相关函数、格林函数、逆格林函数是时间序列模型的特征函数。
通过对随机差分方程计算自相关函数可以将随机序列转化为确定的(关于自相关函数)差分方程,就可以采用确定的差分方程进行求解。而模型的功率谱密度同数字信号处理的Z变换,将差分算子B替换为e(-jw),再取模的平方即可。
偏相关函数与自相关函数是互逆的,格林函数是冲激响应,表示历史噪声对响应的影响,或者理解为记忆深度与强度。
对于不满足线性平稳的统计模型,可以通过平稳化处理,再利用之前的线性平稳模型进行处理。通过求d阶差分,将数据平稳化,得到ARIMA、IMA、ARI模型等。
- 时间序列分析之二:基本模型
- 时间序列分析之AR模型、MA模型和ARMA模型(二)
- 时间序列分析之ARIMA模型预测
- 时间序列分析--ARIMA模型
- 时间序列分析之四:模型定阶
- 时间序列分析之 ARIMA 模型的JAVA实现
- R语言时间序列分析之ARIMA模型预测
- 时间序列分析之ARIMA模型预测__R篇
- R语言 时间序列分析之ARIMA模型预测
- 时间序列模型之灰度模型
- 时间序列模型分析的一般步骤
- 金融时间序列分析:2. 数学分析模型
- JFreeChart笔记 (二) 时间序列图:基本时间序列图
- 时间序列分析1.基本数学概念
- Python时间序列分析--从线性模型到GARCH模型
- 时间序列模型之相空间重构
- 时间序列之AR(自回归模型)
- R学习日记——时间序列分析之ARIMA模型预测
- Effective Objective-C 2.0: Item 6: Understand Properties
- Linux ALSA声卡驱动之四:Control设备的创建
- 用抽象类设计计算二维图形面积的程序,在基类TDshape中设计纯虚函数area()和printName().are()用于计算图形的几何面积,printName()用于打印输出几何图形的类名
- linux shell编程指南第十章------sed 用法介绍2
- linux学习笔记--鸟哥的linux私房菜第1章 Linux是什么
- 时间序列分析之二:基本模型
- 二进制数据流方式实现 个人头像的读取、上传、修改------善良公社项目
- XMPP SI FileTransfer服务传输文件过程详解
- 时间序列分析之三:参数估计
- Android使用Animation技巧讲解
- 一些杂七杂八的问题
- C,C++可变长参数实现
- 时间序列分析之四:模型定阶
- 回调设计模式