3时间的序列模型识别.docx
《3时间的序列模型识别.docx》由会员分享，可在线阅读，更多相关《3时间的序列模型识别.docx（9页珍藏版）》请在冰豆网上搜索。
3时间的序列模型识别
时间序列模型识别
1采用ACF、PACF识别
1.1MA
（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
>data（ma1.1.s）
>acf（ma1.1.s）
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
>acf（ma1.1.s,ci.type='ma'）
>acf（ma1.1.s,ci.type='ma',xaxp=c（0,20,10））
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PACF做进一步的检验。
1.2AR
（1）模型
>data（ar1.s）
>acf（ar1.s,xaxp=c（0,20,10））
其自相关系数趋近于线性递减，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））
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程。
1.3ARMA（1，1）
>plot（arma11.s）
>acf（arma11.s,xaxp=c（0,20,10））
>pacf（arma11.s,xaxp=c（0,20,10））
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（oil.price））
>pacf（as.vector（oil.price））
一阶差分后的相关系数
>acf（diff（as.vector（log（oil.price））））
2EACF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/MA
012345678910111213
0xxxxoooooooooo
1xooooooooooooo
2xooooooooooooo
3xxoooooooooooo
4xoxooooooooooo
5xooooooooooooo
6xoooxooooooooo
7xoooxooooooooo
如对于arma11数据集来说，演示结果表明arma（1,1）或者arma（2,1）是可取的
>eacf（ar1.s）
AR/MA
012345678910111213
0xxxxxxoooooooo
1oooooooooooooo
2oooooooooooooo
3xooooooooooooo
4xooooooooooooo
5xxoooooooooooo
6xoxooooooooooo
7xoxooooooooooo
>eacf（ma1.1.s）
AR/MA
012345678910111213
0xoooxoooooooox
1xooooooooooooo
2xooooooooooooo
3xxxxoooooooooo
4xxoxxooooooooo
5xxooxxoooooooo
6ooxxxxoooooooo
7ooxooxoooooooo
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）
3Armasubset基于BIC对最优子集ARMA的选择
>res=armasubsets（arma11.s,nar=3,nma=3）
>plot（res）
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,:
1lineardependenciesfound
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。
升级会员 