第六章非平稳时间序列模型-1

非平稳时间序列建模步骤介绍非平稳时间序列是指其统计特性在时间上发生变化的序列。

在实际应用中，我们经常面临非平稳时间序列的建模问题，如股票价格、气温变化等。

本文将探讨非平稳时间序列建模的步骤和方法。

为什么要建立模型非平稳时间序列在其统计特性的变化中存在一定的规律性，因此建立模型可以帮助我们理解和预测序列的行为。

模型可以从数据中提取有用的信息，揭示序列的规律和动态特征。

步骤一：观察时间序列的特性在建立模型之前，我们首先需要观察时间序列的特性，包括趋势、周期性、季节性和随机性等。

这些特性是决定时间序列模型选择的重要因素。

步骤二：平稳化处理由于非平稳时间序列的统计特性随时间变化，不利于建模和分析。

因此，我们需要对时间序列进行平稳化处理。

常用的平稳化方法包括差分法和变换法。

2.1 差分法差分法是通过计算相邻两个观测值的差异来实现序列的平稳化。

一阶差分是指相邻观测值之间的差异，二阶差分是指一阶差分的差异，以此类推。

差分法可以有效地去除序列的趋势和季节性，使序列平稳。

2.2 变换法变换法是通过对时间序列进行数学变换，将非平稳序列转化为平稳序列。

常用的变换方法包括对数变换、平方根变换和 Box-Cox 变换等。

变换法可以改变序列的分布特性，使序列满足平稳性的要求。

步骤三：选择模型平稳化处理后，我们需要选择合适的模型进行建模。

常用的时间序列模型包括自回归移动平均模型（ARMA）、自回归积分移动平均模型（ARIMA）、季节性自回归移动平均模型（SARIMA）和指数平滑模型等。

3.1 自回归移动平均模型（ARMA）ARMA 模型是描述时间序列随机变动的经典模型，其包括自回归和移动平均两个部分。

自回归部分考虑了序列的历史值对当前值的影响，移动平均部分考虑了序列的误差对当前值的影响。

ARMA 模型适用于没有趋势和季节性的平稳序列。

3.2 自回归积分移动平均模型（ARIMA）ARIMA 模型是在 ARMA 模型基础上引入了积分项，用于处理非平稳序列。

时间序列分析模型时间序列分析是一种广泛应用于统计学和经济学领域的建模方法，用于研究随时间变化的数据。

它的目的是揭示和预测数据中隐含的模式和关系，以便更好地理解和解释现象，并做出相应的决策。

时间序列分析模型可以分为统计模型和机器学习模型两类。

一、统计模型1.平稳时间序列模型：平稳时间序列是指在统计学意义上均值和方差都是稳定的序列。

常用的平稳时间序列模型包括：自回归移动平均模型（ARMA）、自回归整合移动平均模型（ARIMA）和季节性自回归整合移动平均模型（SARIMA）等。

-自回归移动平均模型（ARMA）是根据时间序列数据的自相关和移动平均性质建立的模型。

它将序列的当前值作为过去值的线性组合来预测未来值。

ARMA(p,q)模型中，p表示自回归项的阶数，q表示移动平均项的阶数。

-自回归整合移动平均模型（ARIMA）在ARMA模型基础上引入差分操作，用于处理非平稳时间序列。

ARIMA(p,d,q)模型中，d表示差分的次数。

-季节性自回归整合移动平均模型（SARIMA）是ARIMA模型的扩展，在存在季节性变化的时间序列数据中应用。

SARIMA(p,d,q)(P,D,Q)s模型中，s表示季节周期。

2.非平稳时间序列模型：非平稳时间序列是指均值和/或方差随时间变化的序列。

常用的非平稳时间序列模型包括：趋势模型、季节性调整模型、自回归积分滑动平均模型（ARIMA）和季节性自回归积分滑动平均模型（SARIMA）等。

- 趋势模型用于描述数据中的趋势变化，例如线性趋势模型（y = ax + b）和指数趋势模型（y = ab^x）等。

-季节性调整模型用于调整季节性变化对数据的影响，常见的方法有季节指数调整和X-12-ARIMA方法。

-自回归积分滑动平均模型（ARIMA）和季节性自回归积分滑动平均模型（SARIMA）在非平稳时间序列中引入差分操作进行模型建立。

二、机器学习模型机器学习模型在时间序列分析中发挥了重要作用，主要应用于非线性和高维数据的建模和预测。

时间序列分析中的平稳性与非平稳性时间序列分析是一种用来研究时间数据的统计方法，它可以揭示出时间序列数据的模式和趋势，并预测未来的发展。

在进行时间序列分析时，我们经常会遇到平稳性和非平稳性的问题，本文将重点讨论这两个概念及其在时间序列分析中的重要性。

1. 什么是平稳性？平稳性是指时间序列在统计特性上具有不变性，即其均值和方差不随时间的推移而发生改变。

具体而言，平稳时间序列的均值在时间维度上是稳定的，方差也不会随时间变化而增加或减小。

此外，平稳时间序列的自协方差只与时间间隔有关，而与特定时间点无关。

2. 平稳性的判断方法为了判断一个时间序列是否具有平稳性，我们可以使用一些统计检验方法。

常见的方法有ADF检验（Augmented Dickey-Fuller test）、KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin test）等。

ADF检验通常用于检验平稳性，其原假设是时间序列具有单位根（非平稳），如果检验结果拒绝了原假设，则可以得出时间序列是平稳的结论。

3. 非平稳性的表现形式非平稳性的时间序列可能会呈现出明显的趋势、季节性或周期性变化。

趋势是时间序列长期的、持续的上升或下降，季节性是指时间序列在特定时间点上出现的周期性波动，周期性是指时间序列存在长期的、不规则的上升或下降。

4. 非平稳性的处理方法如果时间序列是非平稳的，我们需要对其进行处理，以使其具备平稳性。

常见的处理方法有差分法、对数变换等。

差分法可以通过计算相邻时间点的差值来消除趋势和季节性，对数变换则可以通过对时间序列取对数来减少其波动性。

5. 平稳性的重要性平稳性在时间序列分析中非常重要，具有以下几个方面的意义： - 简化模型：平稳时间序列的统计特性稳定，可以简化模型的建立和预测。

- 降低误差：平稳时间序列的随机误差具有恒定的方差，使得模型的预测更准确。

- 提高可靠性：基于平稳时间序列建立的模型具有更好的可靠性和稳定性，可以更好地应对未来的变化。

第一章习题答案略第二章习题答案2.1（1）非平稳（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376（3）典型的具有单调趋势的时间序列样本自相关图2.2（1）非平稳，时序图如下（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图2.3（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118（2）平稳序列（3）白噪声序列2.4，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。

显著性水平=0.05不能视为纯随机序列。

2.5（1）时序图与样本自相关图如下（2） 非平稳 （3）非纯随机 2.6（1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机第三章习题答案3.1 ()0t E x =,21() 1.9610.7t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115φ=3.3 ()0t E x =,10.15() 1.98(10.15)(10.80.15)(10.80.15)t Var x +==--+++10.80.7010.15ρ==+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-=1110.70φρ==,2220.15φφ==-,330φ=3.4 10c -<<, 1121,1,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩3.5 证明:该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根：11λ=，2c λ=3c λ=-无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。

第一章习题答案略第二章习题答案2.1（1）非平稳（2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376（3）典型的具有单调趋势的时间序列样本自相关图2.2（1）非平稳，时序图如下（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图2.3（1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118（2）平稳序列（3）白噪声序列2.4，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。

显著性水平=0.05不能视为纯随机序列。

2.5（1）时序图与样本自相关图如下（2） 非平稳 （3）非纯随机 2.6（1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机第三章习题答案3.1 ()0t E x =,21() 1.9610.7t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115φ=3.3 ()0t E x =,10.15() 1.98(10.15)(10.80.15)(10.80.15)t Var x +==--+++10.80.7010.15ρ==+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-=1110.70φρ==,2220.15φφ==-,330φ=3.4 10c -<<, 1121,1,2k k k c c k ρρρρ--⎧=⎪-⎨⎪=+≥⎩3.5 证明:该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根：11λ=，2λ=3λ=无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。

时间序列的平稳、非平稳、协整、格兰杰因果关系步骤：先做单位根检验，看变量序列是否平稳序列，若平稳，可构造回归模型等经典计量经济学模型；若非平稳，进行差分，当进行到第i次差分时序列平稳，则服从i阶单整（注意趋势、截距不同情况选择，根据P值和原假设判定）。

若所有检验序列均服从同阶单整，可构造VAR模型，做协整检验（注意滞后期的选择），判断模型内部变量间是否存在协整关系，即是否存在长期均衡关系。

如果有，则可以构造VEC模型或者进行Granger因果检验，检验变量之间“谁引起谁变化”，即因果关系。

1.单位根检验是序列的平稳性检验，如果不检验序列的平稳性直接OLS容易导致伪回归。

常用的ADF检验包括三个模型方程。

在李子奈的《高级计量经济学》上有该方法的全部步骤，即从含趋势项、截距项的方程开始，若接受原假设，则对模型中的趋势项参数进行t 检验，若接受则进行对只含截距项的方程进行检验，若接受，则对一阶滞后项的系数参数进行t检验，若接受，则进行差分后再ADF检验；若拒绝，则序列为平稳序列。

2.当检验的数据是平稳的（即不存在单位根），要想进一步考察变量的因果联系，可以采用格兰杰因果检验，但要做格兰杰检验的前提是数据必须是平稳的，否则不能做。

3.当检验的数据是非平稳（即存在单位根），并且各个序列是同阶单整（协整检验的前提），想进一步确定变量之间是否存在协整关系，可以进行协整检验，协整检验主要有EG两步法和JJ检验：(1)EG两步法是基于回归残差的检验，可以通过建立OLS模型检验其残差平稳性；(2)JJ检验是基于回归系数的检验，前提是建立VAR模型（即模型符合ADL模式）。

4.当变量之间存在协整关系时，可以建立ECM进一步考察短期关系，Eviews这里还提供了一个Wald－Granger检验，但此时的格兰杰已经不是因果关系检验，而是变量外生性检验，请注意识别。

5.格兰杰检验只能用于平稳序列！这是格兰杰检验的前提，而其因果关系并非我们通常理解的因与果的关系，而是说x的前期变化能有效地解释y的变化，所以称其为“格兰杰原因”。

实验：非平稳时间序列的确定性模型的识别（设计性实验）实验题目：爱荷华州1948—1979年非农产品季度收入数据如下所示。

601 604 620 626 641 642 645 655 682 678 692 707736 753 763 775 775 783 794 813 823 826 829 831830 838 854 872 882 903 919 937 927 962 975 9951001 1013 1021 1028 1027 1048 1070 1095 1113 1143 1154 11731178 1183 1205 1208 1209 1223 1238 1245 1258 1278 1294 13141323 1336 1355 1377 1416 1430 1455 1480 1514 1545 1589 16341669 1715 1760 1812 1809 1828 1871 1892 1946 1983 2013 20452048 2097 2140 2171 2208 2272 2311 2349 2362 2442 2479 25282571 2634 2684 2790 2890 2964 3085 3159 3237 3358 3489 35883624 3719 3821 3934 4028 4129 4205 4349 4463 4598 4725 48274939 5067 5231 5408 5492 5653 5828 5965通过分析数据，选择适当模型拟合该序列长期趋势。

实验内容：给出实际问题的非平稳时间序列，要求利用R统计软件，对该序列进行分析，掌握非平稳时间序列的确定性部分的分离方法，建立合适的某一类确定性模型（趋势分析方法、季节效应分析、既有趋势分析方法又有季节效应分析的综合分析方法）。

实验要求：处理数据，掌握非平稳时间序列的确定性模型的识别的方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。

非平稳和季节时间序列模型分析方法时间序列分析是指对时间序列数据进行建模和预测的统计方法。

根据数据的特点，时间序列可以分为平稳序列和非平稳序列。

在实际应用中，很多时间序列数据并不满足平稳性的假设，因此需要对非平稳序列进行处理和分析。

非平稳序列分析的方法之一是差分法。

差分法的基本思想是通过对原始序列进行差分，得到一个新的序列，使其成为平稳序列。

差分法可以通过一阶差分、二阶差分等方法来实现。

一般来说，一阶差分可以用来处理线性趋势，而二阶差分可以用来处理二次趋势。

另一种非平稳序列分析的方法是趋势-季节分解法。

这种方法首先对时间序列进行趋势分解，将原始序列拆分为趋势、季节和残差三个部分。

然后对残差序列进行平稳性检验，判断是否需要进一步进行差分。

最后，可以利用拆分后的趋势和季节序列进行预测。

对于带有季节性的时间序列数据，还可以采用季节时间序列模型进行分析。

常见的季节时间序列模型包括季节自回归移动平均模型（SARIMA）和季节指数平滑模型。

这些模型可以对季节性进行建模，并利用历史数据进行预测。

总结起来，非平稳和季节时间序列的分析方法可以包括差分法、趋势-季节分解法和季节时间序列模型。

这些方法能够有效地处理和分析非平稳和带有季节性的时间序列数据，为实际应用提供了重要的参考。

时间序列分析是一种广泛应用于金融、经济、气象、销售、股票市场等领域的数据分析方法，它的目标是根据过去的数据模式，预测未来的趋势和行为。

在时间序列分析中，平稳性是一个重要的概念，指的是在时间序列的整个时间范围内，序列的统计特性不会随着时间的推移而发生显著的变化。

然而，在实际应用中，很多时间序列数据并不满足平稳性的假设，因此需要对非平稳序列进行处理和分析。

非平稳序列的特点是随着时间的推移，其均值、方差和协方差等统计特性会发生显著的变化。

这使得对其进行建模和预测变得困难。

因此，我们需要采取一些方法来处理非平稳序列，使其满足平稳性的假设。

差分法是一种常用的处理非平稳序列的方法。