2.1 AR模型 p阶自回归模型一般具有下面这种构造,简单记作AR(p): 0 1 1 2 2200, , 0,0,t t t p t p tpt t t sstx x x xE Var E s tE x s t 一般都可以默认限定的前提条件,所以AR(p)简单记成: 0 1 1 2 2 t t t p t p tx x x x (2-2) 当0 0 时,称为中心化AR(p)模型[3]. 2.2 MA模型 q阶移动平均模型一般具有下面这种构造,简单记作MA(q): 1 1 2 220( ) 0, ( ) , ( ) 0,t t t t q t qqt t t sxE Var E s t 一般都可以默认限定的前提条件,把模型简单记成: 1 1 2 2 t t t t q t q x (2-4) 当0 时,称为中心化MA(q)模型[3]. 2.3 ARMA模型 自回归移动平均模型一般具有下面这种构造,简单记作ARMA(p,q): 0 1 1 1 120, 0( ) 0, ( ) , ( ) 0,( ) 0,t t p t p t t q t qpqt t t sstx x xE Var E s tE x s t 一般都可以默认限定的前提条件,把模型简单记成: 0 1 1 1 1 t t p t p t t q t q x x x (2-6) 若0 0 时,称为中心化ARMA(p,q)模型[3]. 3 建模步骤 时间序列中建立预测模型的步骤分为:序列数据的预处理;模型定阶;参数(2-1) (2-3) (2-5) 估计;模型检验;模型优化. 3.1 序列数据预处理 对一个数据序列进行平稳性检验以及纯随机性检验.检验一个序列是否平稳可以使用两种方法:一种是用时间序列图和自相关函数图显示的特性来判断,另一种是利用假设检验,也就是要构造一个检验统计量来查验. 3.1.1 平稳性检验 (1)时序图:若是图中序列数据一直在一个常数值附近上下随机波动,那么就可以认为这个序列是一个平稳的时间序列;若是数据出现增长、下降或按周期波动,那么这个序列就是一个不平稳的时间序列. (2)自相关图:若是延迟期数不停增加,而自相关系数很快速的下降向0,且始终在0 附近波动,那么这个序列平稳.若是自相关系数下降非常缓慢,那么这个序列不平稳. 3.1.2 纯随机性检验 纯随机性通过构造检验统计量来检验.假设条件如下: 原假设:延迟期数小于或等于m期的序列值之间相互独立 (0 1 2 : 0, 1 m Hm ) (3-1) 备择假设:延迟期数小于或等于m期的序列值之间有相关性 (1 : 0, , 1,kH m k m 至少存在某个) (3-2) 若是统计量的P值小于,或者Q统计量大于21 () m 分位点,则可以以1 的置信水平拒绝原假设,拒绝原假设就说明序列值之间依旧存在相关性,那么这时我们认为序列为非白噪声序列.
- 上一篇:保单分配中的随机比较
- 下一篇:运筹学于实际生活中的应用名片的裁切问题
-
-
-
-
-
-
-
河岸冲刷和泥沙淤积的监测国内外研究现状
酸性水汽提装置总汽提塔设计+CAD图纸
乳业同业并购式全产业链...
当代大学生慈善意识研究+文献综述
电站锅炉暖风器设计任务书
java+mysql车辆管理系统的设计+源代码
十二层带中心支撑钢结构...
杂拟谷盗体内共生菌沃尔...
中考体育项目与体育教学合理结合的研究
大众媒体对公共政策制定的影响