时间序列分析模型实例 PPT.ppt

时间序列分析模型1时间序列分析模型简介2长江水质污染的发展趋势预测【CUMCM2005A】一、问题分析二、模型假设三、模型建立四、模型预测五、结果分析六、模型评价与改进一、时间序列分析模型概述1、自回归模型2、移动平均模型3、自回归移动平均模型二、随机时间序列的特性分析三、模型的识别与建立四、模型的预测时间序列的分类随机性时间序列模型的特点把时间序列数据作为由随机过程产生的样本来分析多数影响时间序列的因素具有随机性质,因此时间序列的变动具有随机性质随机过程分为平稳随机过程和非平稳随机过程由平稳随机过程产生的时间序列叫做平稳性时间序列由非平稳随机过程产生的时间序列叫做非平稳性时间序列平稳序列(stationaryseries)基本上不存在趋势的序列,各观察值基本上在某个固定的水平上波动或虽有波动,但并不存在某种规律,而其波动可以看成是随机的非平稳序列(non-stationaryseries)有趋势的序列:线性的,非线性的有趋势、季节性和周期性的复合型序列平稳时间序列非平稳时间序列平稳性时间序列由平稳随机过程产生的时间序列的性质:概率分布函数不随时间的平移而变化,即: P(Y1,Y2,……,Yt)=P(Y1+m,Y2+m,……,Yt+m)期望值、方差和自协方差是不依赖于时间的常数,即: E(Yt)=E(Yt+m) Var(Yt)=Var(Yt+m) Cov(Yt,Yt+k)=Cov(Yt+m,Yt+m+k)随机性时间序列模型是以时间序列的平稳性为基础建立的随机性时间序列模型的特点利用时间序列中的自相关关系进行分析和建摸时间序列的自相关关系是指时间序列在不同时期观测值之间的相关关系许多因素产生的影响不是瞬间的,而是持续几个时期或更长时间,因此时间序列在不同时期的值往往存在较强的相关关系用自相关函数和偏自相关函数衡量时间序列中的自相关关系时间序列的自相关关系自相关函数随机过程的自相关函数样本的自相关函数偏自相关函数随机过程的偏自相关函数样本的偏自相关函数自相关函数对于平稳随机过程,滞后期为K的自相关函数定义为滞后期为K的自协方差与方差之比