《3时间的序列模型识别.doc》由会员分享，可在线阅读，更多相关《3时间的序列模型识别.doc（10页珍藏版）》请在三一文库上搜索。
1、时间序列模型识别1采用ACF、PACF识别1.1 MA (1 )模型根据其自相关系数是否落在2倍标准误差(方差约等于1/n )里面，判断是否接 受原假设为ma(q)模型，如下ma( 1)模型采用公式计算出的可变临界限，画出来的标准差范围是乎更加精确公式为 )flwhi* cri11山PACF做进一步Xaxp (0, 20, 10)表示滞后从0到20,中间画出10个标度 若ACF中有明显衰减的正弦波 趋势也应该考虑下AR模型，用 的检验。1.2 AR( 1 )模型 data(ar1.s) acf(ar1.s,xaxp=c(0,20,10)Scrlw v1.fLflrj其自相关系数趋近于线性递减，
2、一般对于 AR模型应采用计算pacf若ACF中有明显衰减的正弦波 趋势也应该考虑下AR模型，用PACF做进一步 的检验。 pacf(ar1.s,xaxp=c(0,20,10)Sent* an,由图可知其偏相关系数在一阶时非常的明显，也再一次验证了其是一阶自相关过1.3 ARMA (1 , 1 ) plot(armall.s) acf(arma11.s,xaxp=c(0,20,10) pacf(arma11.s,xaxp=c(0,20,10)一2?箱u从acf和pacf可以看出模型建议为arma(1,1)1.4非平稳模型ARIMA data(oil.price) acf(as.vector(oi
3、l.price) pacf(as.vector(oil.price)一阶差分后的相关系数 acf(diff(as.vector(log(oil.price)terirs阿种2 EACF方法ACF和PACF为识别纯MA和AR提供了有效的工具，但是对于混合模型则力不从心，扩展的自相关函数eacf可以帮助我们识别混合模型 eacf(arma11.s)AR/MA0 1 2 3 4 5 6 7 8 9 10 11 12 130 x x x x o o o o o o o 0001 x o o o o o o o o o oo o o2 x o o o o o o o o o oo o o3 x x o
4、o o o o oo o oooo4 x o x o o o o oo o oooo5 x o o o o o o oo o oooo6 x o o o x o o oo o oooo7 x o o o x o o oo o oooo如对于armall数据集来说，演示结果表明arma(1,1)或者arma(2,1)是可取的 eacf(arl.s)AR/MA0 1 2 3 4 5 6 7 8 9 10 11 12 130 x x x x x x o o o o o o o o1 o o o o o o o o o o oo o o2 o o o o o o o o o o oo o o3 x o
5、 o o o o o o o o oooo4 x o o o o o o o o o oooo5 x x o o o o o o o o oooo6 x o x o o o o o o o oooo7 x o x o o o o o o o ooooAR/MA0 1 2 3 4 5 6 7 8 9 10 11 12 130 x o o o x o o o o o ooox1 x o o o o o o o o o oooo2 x o o o o o o o o o oooo3 x x x x o o o o o o oooo4 x x o x x o o o o o oooo5 x x o o
6、 x x o o o o oooo6 o o x x x x o o o o oooo7 o o x o o x o o o o oooo如何看eacf图：找出图中全为零的三角区域，从 x部分开始构建，构建成的三 角尖即为可行模型（找到点后对着行列的标值可分别找到 AR和MA的建议阶数）3 Armasubset 基于BIC对最优子集ARMA的选择 res=armasubsets(arma11.s ,n ar=3 ,nm a=3) plot(res)看在用armasubsets时如果设置的nar和nma不合理，则会出错提示，Inleaps.setup（x, y, wt = wt, nbest = nbest, nvmax = nvmax, force.in =force.in,1lin ear depe nden cies found因为过分的差分后可能出现0值。此时要将其设置得更小从图可以看出：根据最小BIC准则，较好的模型有较小的BIC，因为图中的BIC 为负数所以先取第一行，第一行中阴影包括了前部分的1阶滞后项，而后部分无 阴影即无误差项（前部分是对应 AR，而后一部分对应MA ）。随后看第二行，由 于BIC的值相差不大，二行中显示 2阶滞后自回归和1阶滞后误差是比较显著 的同理可得第三行。最后综合分析图表可以得出ARMA（ 1，1）模型有其一定的合理性。