3时间序列模型识别.doc
文本预览下载声明
时间序列模型识别
采用ACF、PACF识别
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
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。
AR(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。
ARMA(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)
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))))
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/MA
0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 x x x x o o o o o o o o o o
1 x o o o o o o o o o o o o o
2 x o o o o o o o o o o o o o
3 x x o o o o o o o o o o o o
4 x o x o o o o o o o o o o o
5 x o o o o o o o o o o o o o
6 x o o o x o o o o o o o o o
7 x o o o x o o o o o o o o o
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
0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 x x x x x x o o o o o o o o
1 o o o o o o o o o o o o o o
2 o o o o o o o o o o o o o o
3 x o o o o o o o o o o o o o
4 x o o o o o o o o o o o o o
5 x x o o o o o o o o o o o o
6 x o x o o o o o o o o o o o
7 x o x o o o o o o o o o o o
eacf(ma1.1.s)
AR/MA
0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 x o o o x o o o o o o o o x
1 x o o o o o o o o o o o o o
2 x o o o o o o o o o o o o o
3 x x x x o o o o o o o o o o
4 x x o x x o o o o o o o o o
5 x x o o x x o o o o o o o o
6 o o x x x x o o o o o o o o
7 o o x o o x o o o o o o o o
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)
Armasubset基于BIC对最优子集ARMA的选择
res=armasubsets(arma11.s,nar=3,nma=3)
显示全部