时间序列分析
来源:互联网 发布:张家界旅游大数据 编辑:程序博客网 时间:2024/05/22 01:54
时间序列分析是根据系统观测得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法(如非线性最小二乘法)进行。
时间序列建模基本步骤是:
①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。
②根据动态数据作相关图,进行相关分析,求自相关函数。相关图能显示出变化的趋势和周期,并能发现跳点和拐点。跳点是指与其他数据不一致的观测值。如果跳点是正确的观测值,在建模时应考虑进去,如果是反常现象,则应把跳点调整到期望值。拐点则是指时间序列从上升趋势突然变为下降趋势的点。如果存在拐点,则在建模时必须用不同的模型去分段拟合该时间序列,例如采用门限回归模型。
③辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列,可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列,可用通用ARIMA模型(自回归滑动平均模型)及其特殊情况的自回归模型、滑动平均模型或组合-ARIMA模型等来进行拟合。当观测值多于50个时一般都采用ARIMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算,化为平稳时间序列,再用适当模型去拟合这个差分序列。
用途
时间序列分析主要用于:
①系统描述。根据对系统进行观测得到的时间序列数据,用曲线拟合方法对系统进行客观的描述。
②系统分析。当观测值取自两个以上变量时,可用一个时间序列中的变化去说明另一个时间序列中的变化,从而深入了解给定时间序列产生的机理。
③预测未来。一般用ARMA模型拟合时间序列,预测该时间序列未来值。
④决策和控制。根据时间序列模型可调整输入变量使系统发展过程保持在目标值上,即预测到过程要偏离目标时便可进行必要的控制。
时间序列变量的特征
1 时间序列变量的特征非平稳性(nonstationarity,也译作不平稳性,非稳定性):即时间序列变量无法呈现出一个长期趋势并最终趋于一个常数或是一个线性函数。
2 波动幅度随时间变化(Time-varying Volatility):即一个时间序列变量的方差随时间的变化而变化。
这两个特征使得有效分析时间序列变量十分困难。
平稳型时间数列(Stationary Time Series)系指一个时间数列其统计特性将不随时间之变化而改变者。
- 时间序列分析
- 时间序列分析基础
- 时间序列分析基础
- 时间序列分析
- 时间序列分析
- 时间序列分析基础
- 时间序列分析
- 时间序列分析
- 时间序列分析
- R时间序列分析
- 时间序列分析
- 多元时间序列分析
- 时间序列分析
- python 时间序列分析
- ARIMA时间序列分析
- 时间序列分析
- 时间序列分析---基本概念
- Python时间序列分析
- codeigniter框架The URI you submitted has disallowed characters.错误解决方案
- SQL中tinyint\smallint\int\bigint之间的区别
- SQL中的主键以及联合主键
- czcc
- 《APUE》中的函数整理
- 时间序列分析
- UIPageViewController的使用(Swift)
- android图片处理工具类 (图片缩放,圆角图片,转换成圆形,图片倒影,添加阴影)
- 剑指offer 面试题19 二叉树镜像
- 网络工程课表单
- Android的ContentProvider(二)
- win7显示文件名后缀
- 带方向箭头的线段
- 如何才算是符合搜索引擎算法的推广