平稳序列 时间序列这件小事 –顺序建模
//模型识别首先，让我们快速检验您以前的学（xi）效果。1.打开数据 2.绘制趋势图，大致判断序列的特征 3.绘制自相关图和偏偏相关图 图1：序列相关图4.根据自相关图和偏离相关图的性质确定模型类型和阶数 判断标准:如果样本(偏差)自相关系数明显大于初始d阶标准差的两倍，而后几乎95％自相关系数在2倍标准差范围内，从非零自相关系数衰减到小值波动的过程通常非常突然。此时，通常被视为自相关系数截尾的(偏差)。此时，通常被视为自相关系数的(偏差)截尾。截尾阶数为d。本例结果可以看出模型识别：※自相关图表显示延迟3阶以来，自相关系数全部下降到2倍标准差范围内的波动，表明序列明显短期相关。然而，从显著的非零相关系数到小值波动的序列过程相当连续和缓慢。自相关系数可视为无截止日期。※偏自相关图表显示，除延迟1阶的偏自相关系数明显大于2倍标准差外，其他偏自相关系数在2倍标准差范围内随机波动，从非零相关系数衰减到小值波动的过程非常突然，因此，偏自相关系数可视为一阶截尾※因此可考虑将拟合模型估计为AR(1)////// NOCITCE根据相关图形模型确定为AR(1)，在ESTIMATE中按顺序建立模型估计参数输入变量cx c cx(-1)或cx c ar(1) 选择LS参数估计方法，查看输出结果，查看参数显著性，在这种情况下，两个参数都很明显。细心的人可能已经发现，两个模型的C值是不同的，因为前一个模型的C是截距项；后者的C是序列期望值，两个常数有不同的含义。图2：建立模型图3：输入模型中的变量选择参数估计方法图4：参数估计结果图5：建立模型图6：输入模型中的变量，选择参数估计图7：参数估计结果//模型显著性检验/// NOCITCE检验内容：整个模型是否充分提取信息；模型结构是否达到最简单的参数显著性检验。图8：模型残差图9：残差的稳定性和纯随机性检测结果分析:对残差序列进行白噪声检测，可以看出ACF和PACF没有明显区别于零，Q统计的P值远远大于0.05。因此，可以认为残差序列为白噪声序列，模型信息提取充分。图8：模型残差图9：残差的稳定性和纯随机性检测结果分析：对残差序列进行白噪声检测，可以看出ACF和PACF没有明显区别于零，Q统计的P值远远大于0.05，因此可以认为残差序列为白噪声序列，模型信息提取相对充分。常数和滞后参数的P值非常小，参数明显；因此，整个模型相对简单，模型更好。/////////模型优化 目前，由于风高物燥，NOCITCE不仅要小心防火，还要警惕工厂、贸易市场、批发市场、餐厅等。一旦发生火灾，很容易发生火灾，火势迅速蔓延，后果严重。当拟合模型通过测试时，表明该模型可以有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。当模型有效参数显著时，需要选择更好的模型，即优化。优化的目的：选择相对最优的模型。优化标准：最小信息量标准（An Information Criterion）但AIC标准也存在一些缺陷： 当样本容量趋于无限时，AIC标准选择的模型并不收敛于真实模型，它通常比真实模型中包含的未知参数更多。指导思想:函数值越大越好。未知参数越少越好。本例中滞后二阶的参数不明显，不符合精简原则，无需深入判断。
平稳的序列能建模吗？ 不稳定时间序列建模步骤
本文内容由互联网用户自发贡献，该文观点仅代表作者本人。聚才发仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，请发送邮件至 tenspace2022@163.com 举报，一经查实，本站将立刻删除。 本文链接：https://www.jucaifa.com/en/post/80591.html
