下载文档原格式
ARMA相关模型及其应用一、本文概述随着科技的快速发展和数据分析技术的不断进步，时间序列分析在金融、经济、工程等领域的应用日益广泛。
其中，自回归移动平均模型（ARMA模型）作为一种重要的时间序列分析工具，其理论和实践价值备受关注。
本文旨在深入探讨ARMA模型的基本理论、性质及其在实际问题中的应用，旨在为读者提供一个全面而深入的理解和应用ARMA模型的参考。
本文将简要介绍ARMA模型的基本概念、发展历程及其在时间序列分析中的地位。
随后，重点阐述ARMA模型的数学原理、参数估计方法以及模型的检验与优化。
在此基础上，本文将通过具体案例，展示ARMA模型在金融市场分析、经济预测、工程信号处理等领域的实际应用，并探讨其在实际应用中的优势与局限性。
本文旨在为研究者、学者和实践者提供一个关于ARMA模型及其应用的全面指南，帮助他们更好地理解和应用这一重要的时间序列分析工具。
通过案例分析，本文旨在为相关领域的学者和实践者提供新的思路和方法，推动ARMA模型在实际问题中的更广泛应用。
二、ARMA模型基础ARMA模型，全称为自回归移动平均模型（AutoRegressive Moving Average Model），是时间序列分析中的一种重要模型。
它结合了自回归模型（AR，AutoRegressive）和移动平均模型（MA，Moving Average）的特点，能够更全面地描述时间序列数据的动态变化特性。
ARMA模型的基本形式为ARMA(p, q)，其中p是自回归项的阶数，q是移动平均项的阶数。
模型的一般表达式为：_t = \varphi_1 _{t-1} + \varphi_2 _{t-2} + \cdots +\varphi_p _{t-p} + \epsilon_t + \theta_1 \epsilon_{t-1} +\theta_2 \epsilon_{t-2} + \cdots + \theta_q \epsilon_{t-q}) 其中，(_t)是时刻t的观察值，(\varphi_i)是自回归系数，(\epsilon_t)是时刻t的白噪声项，(\theta_i)是移动平均系数。
时间序列模型1.时间序列模型是用于做预测的，其中包含多种预测模型：1）加法模型2）乘法模型3）混合模型2.移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法（趋势移动平均法对于同时存在直线趋势与周期波动的序列，是一种既能反映趋势变）化，又可以有效地分离出来周期变动的方法。
2．指数平滑法：一次指数平滑法、二次指数平滑法和三次指数平滑法等（在第7页）一次指数平滑法虽然克服了移动平均法的缺点。
但当时间序列的变动出现直线趋势时，用一次指数平滑法进行预测，仍存在明显的滞后偏差。
因此，也必须加以修正。
修正的方法与趋势移动平均法相同，即再作二次指数平滑，利用滞后偏差的规律建立直线趋势模型。
这就是二次指数平滑法。
当时间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑法3. 差分指数平滑法：一阶差分指数平滑法、二阶差分指数平滑模型（14）4.自适应滤波法：以时间序列的历史观测值进行某种加权平均来预测的，它要寻找一组“最佳”的权数，其办法是先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差5. 趋势外推预测方法，推测出事物未来状况的一种比较常用的预测方法。
利用趋势外推法进行预测，主要包括六个阶段：（a）选择应预测的参数；（b）收集必要的数据；（c）利用数据拟合曲线；（d）趋势外推；（e）预测说明；（f）研究预测结果在进行决策中应用的可能性。
趋势外推法常用的典型数学模型有：指数曲线、修正指数曲线、生长曲线、包络曲线等。
（22）6. 平稳时间序列模型：自回归模型（Auto Regressive Model）简称AR 模型，移动平均模型（MovingAverage Model）简称MA 模型，自回归移动平均模型（Auto Regressive Moving AverageModel）简称ARMA 模型（23）1.插值1、可用于预测问题，观察相应散点的变化，预测被插值点的函数值2、主要方法有：一维插值法，二维网格插值和散点插值（contour）3、要求所求通过所有给定的点拟合1、线性拟合：一般都先画出散点图，用plot命令，然后再进行观察拟合，polyfit得系数，polyval在相关点的值。
BOX-JENKINS 预测法1 适用于平稳时序的三种基本模型（1）()AR p 模型（Auto regression Model ）——自回归模型p 阶自回归模型：式中，为时间序列第时刻的观察值，即为因变量或称被解释变量；，为时序的滞后序列，这里作为自变量或称为解释变量；是随机误差项；，，，为待估的自回归参数。
（2）()MA q 模型（Moving Average Model ）——移动平均模型q 阶移动平均模型：式中，μ为时间序列的平均数，但当{}t y 序列在0上下变动时，显然μ=0，可删除此项；t e ，1t e -，2t e -，…，t q e -为模型在第t 期，第1t -期，…，第t q -期的误差；1θ，2θ，…，q θ为待估的移动平均参数。
（3）(,)ARMA p q 模型——自回归移动平均模型（Auto regression Moving Average Model ）模型的形式为：显然，(,)ARMA p q 模型为自回归模型和移动平均模型的混合模型。
当q =0,时，退化为纯自回归模型()AR p ；当p =0时，退化为移动平均模型()MA q 。
2 改进的ARMA 模型（1）(,,)ARIMA p d q 模型这里的d 是对原时序进行逐期差分的阶数，差分的目的是为了让某些非平稳（具有一定趋势的）序列变换为平稳的，通常来说d 的取值一般为0,1,2。
对于具有趋势性非平稳时序，不能直接建立ARMA 模型，只能对经过平稳化处理，而后对新的平稳时序建立(,)ARMA p q 模型。
这里的平文化处理可以是差分处理，也可以是对数变换，也可以是两者相结合，先对数变换再进行差分处理。
（2）(,,)(,,)s ARIMA p d q P D Q 模型对于具有季节性的非平稳时序（如冰箱的销售量，羽绒服的销售量），也同样需要进行季节差分，从而得到平稳时序。
这里的D 即为进行季节差分的阶数；,P Q 分别是季节性自回归阶数和季节性移动平均阶数；S 为季节周期的长度，如时序为月度数据，则S =12，时序为季度数据，则S =4。
第五讲（续）平稳时间序列的ARMA模型1 平稳性有一类描述时间序列的重要随机模型受到了人们的广泛关注，这就是所谓的平稳模型。
这类模型假设随机过程在一个不变的均值附近保持平衡。
其统计规律不会随着时间的推移发生变化。
平稳的定义分为严平稳和宽平稳。
定义1（严平稳）设{},t x t T ∈是一个随机过程,t x 是在不同的时刻t 的随机变量，在不同的时刻t 是不同的随机变量，任取n 个值1,,n t t K 和任意的实数h ，则1,,n x x K 分布函数满足关系式1111(,,;,)(,,;,)n n n n n n F x x t t F x x t h t h =++L L L L则称{},t x t T ∈为严平稳过程。
在实际中，这几乎是不可能的。
由此考虑到是否可以把条件放宽，仅仅要求其数字特征(数学期望和协方差)相等。
定义2（宽平稳）若随机变量{},t x t T ∈的均值（一阶矩）和协方差（二阶矩）存在，且满足：（1）任取t T ∈，有()t E x c =； （2）任取t T ∈，t T τ+∈，有[(())(())]()E X t a X t a R ττ-+-=协方差是时间间隔的函数。
则称{},t x t T ∈ 为宽平稳过程，其中()R τ为协方差函数。
2 各种随机时间序列的表现形式白噪声过程（white noise ，如图1）。
属于平稳过程。
y t = u t , u t ~ IID(0, σ2)图1 白噪声序列（σ2=1）随机游走过程（random walk，如图11）。
属于非平稳过程。
y t = y t-1 + u t, u t~ IID(0, σ2)图2 随机游走序列（σ2=1）图3 日元兑美元差分序列图4股票综合指数图5随机趋势非平稳序列（μ= 0.1）图6 随机趋势非平稳序列（μ= -0.1）图7 对数的中国国民收入序列图8 中国人口序列3 延迟算子延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻，记B 为延迟算子，有,1p t p t x B x p -=∀≥。
ARMA模型及分析本次试验主要是通过等时间间隔，连续读取70个某次化学反应的过程数据，构成一个时间序列。
试对该时间序列进行ARMA模型拟合以及模型的优化，最后进行预测。
以下本次试验的数据：表1 连续读取70个化学反应数据47 64 23 71 38 64 55 41 59 48 71 35 57 4058 44 80 55 37 74 51 57 50 60 45 57 50 4525 59 50 71 56 74 50 58 45 54 36 54 48 5545 57 50 62 44 64 43 52 38 59 55 41 53 4934 35 54 45 68 38 50 60 39 59 40 57 54 23 资料来源：O’Donovan, Consec. Readings Batch Chemical Proces, ler et al.下面的分析及检验、预测均是基于上述数据进行的，本次试验是在Eviews 6.0上完成的。
一、序列预处理由于只有对平稳的时间序列才能建立ARMA模型，因此在建立模型之前，有必要对序列进行预处理，主要包括了平稳性检验和纯随机检验。
图1 化学反应过程时序图序列时序图显示此化学反应过程无明显趋势或周期，波动稳定。
见图1。
图2 化学反应过程相关图和Q统计量从图2的序列的相关分析结果:1. 可以看出自相关系数始终在0周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值在滞后2、3、4期是都为0,所以拒接原假设,即序列是非纯随机序列,即非白噪声序列(因为序列值之间彼此之间存在关联,所以说过去的行为对将来的发展有一定的影响,因此为非纯随机序列,即非白噪声序列)。
二、模型识别由于检验出时间序列是平稳的，且是非白噪声序列，因此可以建立模型，在建立模型之前需要识别模型阶数即确定阶数。
BOX-JENKINS 预测法（1）()AR p 模型（AutoregressionModel ）——自回归模型p 阶自回归模型：式中，为时间序列第时刻的观察值，即为因变量或称被解释变量；，为时序的滞后序列，这里作为自变量或称为解释变量；是随机误差项；，，，为待估的（2）q t e ，1t e -，2t e -均参数。
（3）归模型改进的（1（2）(,,)(,,)s ARIMA p d q P D Q 模型对于具有季节性的非平稳时序（如冰箱的销售量，羽绒服的销售量），也同样需要进行季节差分，从而得到平稳时序。
这里的D 即为进行季节差分的阶数；,P Q 分别是季节性自回归阶数和季节性移动平均阶数；S 为季节周期的长度，如时序为月度数据，则S =12，时序为季度数据，则S =4。
在SPSS19.0中的操作如下● 必须要先打开一个数据源，才可以定义日期● 数据→定义日期→选择日期的起始点，此时变量栏中会出现日期变量。
（3）ARIMAX 模型在(,,)(,,)s ARIMA p d q P D Q 模型中，再加入除自身滞后时序变量以外的解释变量X 。
模型的识别模型的识别的本质是确定(,,)(,,)s ARIMA p d q P D Q 中的,,p d q 以及,,P D Q 与S 的取值。
借助于自相关函数（AutocorrelationFunction,ACF ）以及自相关分析图和偏自相关函数（PartialCorrelationFunction,PACF ）以及偏自相关分析图来识别时序特性，并进一步确定p 、q 、P 、Q 。
自相关函数k r关系数未进入置信区间，说明该序列非平稳，2步时，差分选项选择1或2。
偏自相关函数偏自相关函数是时间序列t Y ，在给定了121,,t t t k Y Y Y ---+的条件下，t Y 与t k Y -之间的条件相关。
由于它需要考虑排除其他滞后期的效应，因而被称为偏自相关。
第6讲 时间序列分析教材：应用时间序列分析课件（中国人民大学 王燕），SAS 如何解及下载例程。
时间序列分析(Time series analysis)是一种动态数据处理的统计方法。
该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。
时间序列是把反映现象发展水平的统计指标数值，按照时间先后顺序排列起来所形成的一组统计数字序列。
时间序列又称动态数列或时间数列。
时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。
时间序列分析是定量预测方法之一，它的基本原理：一是承认事物发展的延续性。
应用过去数据，就能推测事物的发展趋势。
二是考虑到事物发展的随机性。
任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。
该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。
时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。
时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。
时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。
时间序列分析主要用途:①系统描述。
根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。
②系统分析。
当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。
③预测未来。
一般用ARMA 模型拟合时间序列，预测该时间序列未来值。
④决策和控制。
根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。
基本步骤:①用观测、调查、统计、抽样等方法取得被观测系统时间序列动态数据。
②根据动态数据作相关图，进行相关分析，求自相关函数。
我们在分析数据时，经常会碰到一种数据，它是由时间累积起来的，并按照时间顺序排列的一系列观测值，我们称为时间序列，它有点类似于重复测量数据，但是区别在于重复测量数据的时间点不会很多，而时间序列的时间点非常多，并且具有长期性。
这种数据资料首先先后顺序不能改变，其次观测值之间不独立，因此普通的分析方法不再适用，需要专门的时间序列模型，这种时间序列分析关注的不再是变量间的关系，而是重点考察变量在时间方面的发展变化规律。
时间序列模型根据分析思想不同可以分为传统时间序列模型和现代时间序列模型 1.传统时间序列模型它分为时间序列由长期趋势、循环趋势、季节变化、不规则变化四部分组成，通过分析各部分如何结合以及如何相互作用来进行时间序列分析，代表模型有指数平滑模型 2.现代时间序列模型它把时间序列看做是一个随机概率过程，把任意时间内发生的事情看做是概率作用，由此进行分析，这种模型比传统时间序列模型计算量更大，代表模型有ARIMA模型时间序列模型对数据要求较高，并且不同的时间趋势有不同的分析方法，因此分析起来比较繁琐，在SPSS中使用的过程较多，主要有 1.数据预处理此过程包括填补缺失值、定义时间变量，时间序列平稳化，做一些分析前的准备 2.时间序列建模与预测此过程是选择合适的模型进行建模，并对模型进行各种检验和诊断，以达到最优效果 3.模型调优我们得出的模型只是针对这一段时间数据的预测，对于长期趋势是否适合还不得而知，随着时间推移，会有新的数据加入，因此需要对模型进行不断的调整校正。
下面我们看一个例子我们希望根据nrc的数据进行预测，收集了1947年1月至1969年12月的数据，希望据此预测1970年1-12月的数据，数据如下首先我们进行预处理的第一步：填补缺失值时间序列模型对数据完整性要求较高，并且对于缺失值，不能采取剔除的方法处理，因为这样会使周期错位，在SPSS中有两个过程可以对缺失值进行处理，分别是1.转换—替换缺失值2.分析—缺失值分析该过程专门用于分析并填充缺失值，比较全面，内容也包含上面的替换缺失值过程第二步：定义时间变量SPSS中需要专门设置时间变量，才可以进行后续的时间序列分析，否则即使直接输入时间数值，SPSS也无法自动识别数据—定义日期第三步：时间序列平稳化时间序列模型都是建立在序列平稳的基础上，一个平稳的随机过程有如下要求：均值、方差不随时间变化；自相关系数只与时间间隔有关，而与所处的时间无关。
