第15章时间序列分析-R(893KB).ppt

【软件操作】 依据残差的平稳性特征再次验证模型阶数的合理性： layout(matrix(1:2,1,2)) acf(model4$residuals,main=reisdual) pacf(model4$residuals,main=reisdual) * 《统计学实验》第15章时间序列分析 15-* 【运行结果】 * 《统计学实验》第15章时间序列分析 15-* 图15.7 拟合ARIMA(1,1,1)模型残差的ACF和PACF图 【软件操作】 最后，对2006-2008年的GDP进行预测： tx.fore = predict(model4, n.ahead =3) # 将未来3期预测值，保存在tx.fore变量中 tx.fore$ pred # 读取未来3期预测值 * 《统计学实验》第15章时间序列分析 15-* 【运行结果】 Time Series: Start = 2006 End = 2008 Frequency = 1 [1] 203094.6 222062.9 240163.8 * 《统计学实验》第15章时间序列分析 15-* 【软件操作】 绘制原始数据和模型预测值的时序图： ts.plot(tx, tx.fore$pred,lty=1:2) # 作时序图，含预测值。 legend(1980,200000,c(观测值,预测值), text.col=black,lty=c(1,2)) * 《统计学实验》第15章时间序列分析 15-* 【运行结果】 * 《统计学实验》第15章时间序列分析 15-* 图15.8 原始数据时序图和模型预测值 15.4 时间序列的季节分解 【例15.5】 (数据文件为li15.2.txt) 使用例7.2中1990年至2004年我国月度社会消费品零售总额数据（亿元）。 利用季节分解法对数据的季节因素和趋势因素进行分解。 * 《统计学实验》第15章时间序列分析 15-* 【统计理论】 时间序列的季节分解方法就是剔除数据中的周期性波动，比如季节性的突高突低，发现修正后的长期趋势。时间序列的季节分解主要有两种方法：乘法模型(multiplicative)和加法模型(additive)。 乘法模型表示时间序列变量可以分解成季节分量、趋势分量（即季节修正后的序列变量）和随机波动的乘积。 加法模型则意味着时间序列变量可以表示为这些分量的和。 * 《统计学实验》第15章时间序列分析 15-* 【软件操作】 使用decompose( )函数作时间序列的季节分解： x=read.table(li15.2.txt,header=T) tx=ts(x,frequency=12,start=c(1990,1),end=c(2004,8)) d=decompose(tx,type=multiplicative) # 参数type控制季节分解的方法， type=“multiplicative”表示乘法模型， type =additive表示加法模型 plot(d) # 绘制原始数据、趋势、季节、噪声4个图 * 《统计学实验》第15章时间序列分析 15-* 【运行结果】 * 《统计学实验》第15章时间序列分析 15-* 图15.9 原序列、趋势因子、季节因子、剩余部分的时序图 * * 《统计学实验》第15章时间序列分析 15-* 【统计理论】 ④ 模型意义 仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，影响序列变化的主要因素是时间序列在不同时期的取值。 * 《统计学实验》第15章时间序列分析 15-* 【统计理论】 (2) 移动平均(MA)模型 ① 模型形式 对时间序列 ，一个滑动平均模型假设 可以由该时刻和该时刻之前的随机误差线性表示，即 我们称(15.6)为 阶滑动平均模型，记为MA(q)。 * 《统计学实验》第15章时间序列分析 15-* 【统计理论】 滑动平均模型 (15.6)也可以表为 ，其中 。 由于 只有有限项，因此式(15.6)总满足平稳性条件，是一个平稳过程。 * 《统计学实验》第15章时间序列分析 15-* 【统计理论】 ② 识别条件 对于MA(p)模型，自相关函数 是 阶截尾的，即当 时， 接近于零。而偏相关系数 随着 的增加呈现指数衰减或震荡性衰减，并逐渐趋于零。 以MA(1)为例，此时 ，