1702657090
1702657091
时间序列模型构建的基本步骤如下：
1702657092
1702657093
①运用观测、调查、统计、抽样等方法取得被观测系统的时间序列动态数据。
1702657094
1702657095
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，在进行时间序列的模型构建时应考虑进去；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，则在进行时间序列的模型构建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。
1702657096
1702657097
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ARMA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-ARMA模型等来进行拟合。当观测值多于50个时，一般都采用ARMA模型。对于非平稳时间序列，则要先对观测到的时间序列进行差分运算，化为平稳时间序列，再用适当的模型去拟合这个差分序列。
1702657098
1702657099
自然科学领域中的许多时间序列常常是平稳的，如工业生产中对液面、压力、温度的控制过程，某地的气温变化过程，某地100年的水文资料等。但经济领域中多数宏观经济时间序列却都是非平稳的，如一个国家的年GDP序列、年投资序列、年进出口序列等。
1702657100
1702657101
通常将时间序列写成{Zt}，其中t为任何非负整数，代表时间；并以时间为横轴，将各时点的观测值描绘出来，这样就可以大致了解该变量随着时间而变化的趋势。
1702657102
1702657103
1702657104
1702657105
1702657107
Excel统计分析与应用大全 9.1.2 时间序列的分类类别
1702657108
1702657109
按照时间序列的不同性质，可以将时间序列进行不同类别的分类。
1702657110
1702657111
1.离散型时间序列和连续型时间序列
1702657112
1702657113
按照连续性来分，时间序列一般分为两类：
1702657114
1702657115
●离散型时间序列。
1702657116
1702657117
●连续型时间序列。
1702657118
1702657119
通常情况下，考察的时间序列一般都为离散型时间序列，即观测值是从相同时间间隔点上得到的。离散型时间序列可通过两种方法获得：一种是抽样于连续变化的序列，比如某市每日同一时刻观测到的气温值序列；另一种是计算一定时间间隔内的累积值，比如农作物年产量序列等。时间序列分析的主要任务就是对时间序列的观测样本建立尽可能合适的统计模型，从而为对相关问题的预测、控制和诊断提供帮助。
1702657120
1702657121
2.平稳时间序列和非平稳时间序列
1702657122
1702657123
按照平稳性来分，时间序列也可分为两类：
1702657124
1702657125
（1）平稳时间序列
1702657126
1702657127
假定时间序列{Zt}是平稳的，满足：
1702657128
1702657129
1）对于任何时间t，其均值恒为常数；
1702657130
1702657131
2）对于任意的时间t和s，其相关系数只与时间间隔t-s有关，而与t和s的起始点无关。
1702657132
1702657133
则称这个时间序列是平稳时间序列。
1702657134
1702657135
时间序列的平稳性是指时间序列的统计特性不随时间推移而变化。平稳序列中的各观测值基本围绕某个固定的值上下波动。虽然在不同的时间段波动的程度不同，但不存在某种规律，而其波动可以看成是随机的。所以说，平稳时间序列是基本上不存在趋势的序列。
1702657136
1702657137
（2）非平稳时间序列
1702657138
1702657139
非平稳时间序列是包含趋势性、季节性或周期性的序列。它可能含其中的一种成分，也可能是几种成分的组合。它又可分为有趋势（tend）的序列和复合型序列。复合型序列即有趋势（tend）、季节性（seasonality）和周期性（cyclists）的序列。
[
上一页 ]
[ :1.70265709e+09 ]
[
下一页 ]