非平稳时间序列的随机分析
- 格式:ppt
- 大小:1.04 MB
- 文档页数:48
第八章、非平稳时间序列分析很多时间序列表现出非平稳的特性:随机变量的数学期望和方差随时间的变化而变化。
宏观经济数据形成的时间序列中有很多是非平稳时间序列。
非平稳时间序列与平稳时间序列具有截然不同的特征,研究的方法也很不一样。
因此,在对时间序列建立模型时,必须首先进行平稳性检验,对于平稳时间序列,可采用第七章的方法进行分析,对于非平稳时间序列,可以将采用差分方法得到平稳时间序列,然后采用平稳时间序列方法对差分数据进行研究,对于多个非平稳时间序列则可以采用协整方法对其关系进行研究。
8.1 随机游动和单位根8.1.1随机游动和单位根如果时间序列t y 满足模型t t t y y ε+=-1 (8.1)其中t ε为独立同分布的白噪声序列, ,2,1,)(2==t Var t σε,则称t y 为标准随机游动(standard random walk )。
随机游动表明,时间序列在t 处的值等于1-t 时的值加上一个新息。
如果将t y 看作一个质点在直线上的位置,当前位置为1-t y ,则下一个时刻质点将向那个方向运动、运动多少(t ε)是完全随机的,既与当前所处的位置无关(t ε与1-t y 不相关),也与以前的运动历史无关(t ε与 ,,32--t t y y 不相关),由质点的运动历史和当前位置不能得出下一步运动方向的任何信息。
这便是 “随机游动”的由来。
随机游动时间序列是典型的非平稳时间序列。
将(8.1)进行递归,可以得出010211y y y y t s s t t t t t t t +==++=+=∑-=----εεεε (8.2)。
如果初始值0y 已知,则可以计算出t y 的方差为2)(σt y Var t =。
由此看出随机游动在不同时点的方差与时间t 成正比,不是常数,因此随机游动是非平稳时间序列。
下图给出了随12机游动时间序列图:图8.1 随机游动时间序列图将随机游动(8.1)用滞后算子表示为t t y L ε=-)1( (8.3),滞后多项式为L L -=Φ1)(。
实验五非平稳序列的随机分析一、实验目的:利用arima,autoreg,进行非平稳序列的随机性分析。
对arima 模型,auto-regressive模型及garch模型进行拟合并分析结果。
二、实验内容三、习题#1data example5_1;input x@@;t=_n_;cards;304 303 307 299 296 293 301 293 301 295 284 286 286 287 284282 278 281 278 277 279 278 270 268 272 273 279 279 280 275271 277 278 279 283 284 282 283 279 280 280 279 278 283 278270 275 273 273 272 275 273 273 272 273 272 273 271 272 271273 277 274 274 272 280 282 292 295 295 294 290 291 288 288290 293 288 289 291 293 293 290 288 287 289 292 288 288 285282 286 286 287 284 283 286 282 287 286 287 292 292 294 291288 289;proc print data=example5_1;proc gplot data=example5_1;plot x*t=1;symbol1c=red i=join v=star;run;得到时序图可以看出序列含有一定的周期性,故进行差分平稳,又从上述时序图呈现曲线形式,故对原序列作二阶差分,差分程序及时序图如下:data example5_1;input x@@;difx=dif(dif(x));t=_n_;cards;304 303 307 299 296 293 301 293 301 295 284 286 286 287 284282 278 281 278 277 279 278 270 268 272 273 279 279 280 275271 277 278 279 283 284 282 283 279 280 280 279 278 283 278270 275 273 273 272 275 273 273 272 273 272 273 271 272 271273 277 274 274 272 280 282 292 295 295 294 290 291 288 288290 293 288 289 291 293 293 290 288 287 289 292 288 288 285282 286 286 287 284 283 286 282 287 286 287 292 292 294 291288 289;proc print data=example5_1;proc gplot data=example5_1;plot x*t difx*t;symbol1c=black i=join v=star;proc arima;identify var=x(1,1);estimate q=1;forecast lead=5id=time;run;从图中可以看出该序列的差分序列为平稳序列。
非平稳时间序列分析1、首先画出时序图如下:t从时序图中看出有明显的递增趋势,而该序列是一直递增,不随季节波动,所以认为该序列不存在季节特征。
故对原序列做一阶差分,画出一阶差分后的时序图如下:difx140 130 120 110 100 90 80 70 60 50 40 30 20 10 0 -10从中可以看到一阶差分后序列仍然带有明显的增长趋势,再做二阶差分:dif2x90 80 70 60 50 40 30 20 10 0 -10 -20 -30 -40 -50 -60 -70 -80 -90 -100 -110做完二阶差分可以看到,数据的趋势已经消除,接下来对二阶差分后的序列进行194519501945 19551960196519701975198019851990199520001950 1955 1960 1965 1970 1975 1980 1985 1990 1995 2000检验:AutocorrelationsLag Covariance Correlation -1 9 8 7 6 5 4 3 2 1 0 1 2 3 4 5 6 7 8 9 1 Std Error0 577.333 1.00000 | |********************| 01 -209.345 -.36261 | *******| . | 0.0712472 -52.915660 -.09166 | .**| . | 0.0800693 9.139195 0.01583 | . | . | 0.0806004 15.375892 0.02663 . |* . | 0.0806155 -59.441547 -.10296 .**| . | 0.0806606 -23.834489 -.04128 | . *| . | 0.0813247 100.285 0.17370 | . |*** | 0.0814318 -146.329 -.25346 | *****| . | 0.0832909 52.228658 0.09047 | . |**. | 0.08711810 21.008575 0.03639 | . |* . | 0.08759311 134.018 0.23213 | . |***** | 0.08767012 -181.531 -.31443 | ******| . | 0.09073613 23.268470 0.04030 | . |* . | 0.09610814 71.112195 0.12317 | . |** . | 0.09619415 -105.621 -.18295 | ****| . | 0.09699116 37.591996 0.06511 . |* . | 0.09872717 23.031506 0.03989 | . |* . | 0.09894518 45.654745 0.07908 | . |** . | 0.09902719 -101.320 -.17550 | ****| . | 0.09934720 127.607 0.22103 | . |**** | 0.10090821 -61.519663 -.10656 | . **| . | 0.10333722 35.825317 0.06205 | . |* . | 0.10389323 -93.627333 -.16217 | .***| . | 0.10408124 55.451208 0.09605 | . |** . |从其自相关图中可以看出二阶差分后的序列自相关系数很快衰减为零,且都在两倍标准差范围之内,所以认为平稳,白噪声检验结果:Autocorrelation Check for White NoiseTo Chi- Pr >Lag Square DF ChiSq------------------- Autocorrelations -------------------6 30.70 6 <.0001 -0.363 -0.092 0.016 0.027 -0.103 -0.04112 84.54 12 <.0001 0.174 -0.253 0.090 0.036 0.232 -0.31418 97.98 18 <.0001 0.040 0.123 -0.183 0.065 0.040 0.07924 126.99 24 <.0001 -0.175 0.221 -0.107 0.062 -0.162 0.096P 值都小于 0.05 ,认为不是白噪声。
实验报告----时间序列分析08经济统计I60814030王思瑶一、实验简介针对我国1978~2002年中国支出法GDP(单位:亿元)进行非平稳性检验、平稳化方法、模型建立及预测,从而掌握对非平稳时间序列的分析。
数据如下:二、非平稳性检验进行非平稳性检验,先用两种方法检验零均值化GDP的平稳性:1、自相关、偏自相关函数检验法Date: 06/09/11 Time: 22:00Sample: 1978 2002Included observations: 25Autocorrelation Partial Correlation AC PAC Q-Stat Prob. |****** | . |****** | 1 0.727 0.727 14.877 0.000. |**** | . | . | 2 0.530 0.001 23.111 0.000. |*** | . | . | 3 0.365 -0.044 27.199 0.000. |**. | . | . | 4 0.240 -0.022 29.055 0.000. |* . | . | . | 5 0.178 0.048 30.129 0.000. |* . | . | . | 6 0.159 0.057 31.022 0.000. |* . | . | . | 7 0.148 0.020 31.838 0.000. |* . | . | . | 8 0.136 0.006 32.572 0.000. |* . | . | . | 9 0.119 -0.001 33.165 0.000. |* . | . | . | 10 0.091 -0.014 33.540 0.000. | . | . | . | 11 0.057 -0.022 33.699 0.000. | . | . | . | 12 0.020 -0.031 33.719 0.001从上图可以看出:自相关函数是拖尾的,偏自相关函数是截尾的,但自相关函数是缓慢衰减的,这说明序列存在一定的非平稳性。
路漫漫其修远兮,吾将上下而求索 - 百度文库实验五 非平稳序列的确定性分析【实验目的】对非平稳时间序列的确定性分析 【实验内容】1.趋势分析; 2.季节效应分析; 3.综合分析; 4. X-12过程。
【实验指导】 一、ARMA 模型分解二、确定性因素分解 ⏹ 传统的因素分解⏹ 长期趋势 ⏹ 循环波动 ⏹ 季节性变化 ⏹ 随机波动⏹ 现在的因素分解⏹ 长期趋势波动 ⏹ 季节性变化 ⏹ 随机波动(一)趋势分析有些时间序列具有非常显著的趋势,我们分析的目的就是要找到序列中的这种趋势,并利用这种趋势对序列的发展作出合理的预测方法: 1.趋势拟合法趋势拟合法就是把时间作为自变量,相应的序列观察值作为因变量,建立序列值随时间变化的回归模型的方法。
(1)线性拟合例1:拟合澳大利亚政府1981——1990年每季度的消费支出序列,数据见下表。
tt B B x εμ)()(ΦΘ+=确定性序列随机序列8444 9215 8879 8990 8115 9457 8590 9294 8997 9574 9051 9724 9120 10143 9746 10074 9578 10817 10116 10779 9901 11266 10686 10961 10121 11333 10677 11325 10698 11624 11052 11393 10609 12077 11376 11777 11225 12231 11884 12109800090001000011000120001300081828384858687888990GOV_CONS长期趋势呈现出非常的线性递增趋势,于是考虑使用线性模型2,1,2, (40)()0,()t t t t x a bt I t E I Var I σ=++=⎧⎨==⎩拟合该序列的发展。
使用最小二乘法得到未知参数的估计值为:ˆˆ8498.69,89.12ab ==. 对拟合模型进行检验,检验结果显示方程显著成立,且参数非常显著。