Introduction to Time series時間序列簡介-1

學(xué)習(xí)書目:Introduction to Time Series and Forecasting ----Brockwell&Davis

1.定義

時間序列:時間序列是一系列在不同的特定時間記錄下來的數(shù)據(jù)。通常這些數(shù)據(jù)會顯示出趨勢泻蚊,季節(jié)性還有隨機(jī)性栅哀。
時間序列模型:時間序列模型通常是具體描述時間序列的聯(lián)合分布(可能只是均值和協(xié)方差)。

注:在研究時間序列的時候通常我們只關(guān)注一階矩和二階矩(EXt,EXtXt+h)性質(zhì)(second-order properties)而账,一來是因?yàn)樵谔囟ㄇ闆r下胰坟,二階性質(zhì)就決定了聯(lián)合分布,二來是因?yàn)樽钚【秸`差的線性預(yù)測只取決于隨機(jī)變量的二階性質(zhì)泞辐。

季節(jié)性(seasonality):時間序列的季節(jié)性是指序列有周期變化笔横,比如說事故死亡人數(shù)在按年周期波動,每年七月最多咐吼,二月最少吹缔。季節(jié)性可以用多個sine曲線加總來進(jìn)行擬合。

2.時間序列模型的一般方法

  • 畫出序列圖锯茄,檢查圖的特點(diǎn)厢塘,尤其是否有以下特征:
    • a trend 趨勢
    • a seasonal component 季節(jié)性
    • any apparent sharp changes in behavior 急劇變化 --分成幾個同質(zhì)片段來研究
    • any outlying observations 偏離 --是否有理由丟棄這個數(shù)據(jù)
  • 去除趨勢和季節(jié)性茶没,以獲得平穩(wěn)殘差
    (這里需要對數(shù)據(jù)進(jìn)行預(yù)先的變換,比如說如果波動幅度的線性變大晚碾,那么可以使用ln變換抓半;去除趨勢和季節(jié)性還可以使用差分。)
  • 選擇模型擬合殘差格嘁,使用各種樣本統(tǒng)計量琅关,包括樣本自相關(guān)函數(shù)。
  • 預(yù)測讥蔽。 先預(yù)測殘差值涣易,然后再做逆變換得到原始數(shù)據(jù)的預(yù)測值。

3. 平穩(wěn)序列

平穩(wěn)序列.png
嚴(yán)平穩(wěn).png

注:嚴(yán)平穩(wěn)序列要求對任意整數(shù)h聯(lián)合分布一樣冶伞,我們一般講平穩(wěn)指的是寬平穩(wěn)新症,除非特別說明是嚴(yán)平穩(wěn)。

4. 樣本自相關(guān)函數(shù)

4.1 ACF 定義

通常來講我們是從觀測數(shù)據(jù)開始研究的响禽,為了衡量觀測數(shù)據(jù)的相關(guān)性徒爹,并且選擇合適的模型來描述數(shù)據(jù),我們使用一個重要的工具:樣本自相關(guān)函數(shù)(sample ACF)芋类。
如果我們相信這些數(shù)據(jù)是平穩(wěn)序列的值隆嗅,那么樣本自相關(guān)函數(shù)能夠提供給我們序列的自相關(guān)函數(shù)的估計。例如侯繁,如果樣本的自相關(guān)函數(shù)對于任何非零延遲來講都是接近于0的胖喳,那就表明這個數(shù)據(jù)適合的模型很可能是獨(dú)立同分布的噪音。

樣本自相關(guān)函數(shù)

注: 這里的樣本自協(xié)方差函數(shù)是除以n贮竟,為什么不是除以n-h呢丽焊?參照以下答案:
https://stats.stackexchange.com/questions/56238/question-about-sample-autocovariance-function
主要原因是除以n得到的協(xié)方差矩陣是非負(fù)正定的(非負(fù)正定是協(xié)方差矩陣的性質(zhì)之一,所以樣本協(xié)方差也要保留這樣的性質(zhì))咕别,除以n-h得到的協(xié)方差矩陣很可能是奇異矩陣技健;另外我們關(guān)心的是h遠(yuǎn)小于n時的情況,在這種情況下惰拱,除以n和除以n-h的差別不大雌贱。

4.2 ACF用處

  • 如果數(shù)據(jù)包含趨勢,那么自相關(guān)函數(shù)會隨著延遲h的增大而減小
  • 自相關(guān)函數(shù)會表現(xiàn)出和原數(shù)據(jù)一樣的周期性

5.估計和消除趨勢項(xiàng)偿短、季節(jié)項(xiàng)

我們的目的是通過消除趨勢項(xiàng)和季節(jié)項(xiàng)來獲得平穩(wěn)序列欣孤,然后就可以對平穩(wěn)序列使用合適的模型。
有兩種方法消除趨勢和季節(jié)性:
1)估計出趨勢翔冀、季節(jié)項(xiàng)
2)通過差分的方式得到新的平穩(wěn)序列

5.1 消除趨勢項(xiàng)(沒有季節(jié)性)

  • 方法一:估計趨勢
    移動平均和光譜平滑是重要的估計趨勢的非參數(shù)方法导街。
    (a)Smoothing with a finite moving average filter.有限移動平均平滑

因?yàn)閅t的均值為0披泪,所以在使用移動平均的時候可以將Yt消除纤子,從而

注:移動平均過濾子實(shí)際上就是利用了線性趨勢函數(shù)求和再平均后數(shù)據(jù)值不改變,而Yt的均值為0 的性質(zhì)來消除了該隨機(jī)變量對數(shù)據(jù)的影響,僅僅保留下了趨勢控硼。

(b)Exponential smoothing 指數(shù)平滑

(c)Smoothing by elimination of high-frequency components.
(d)polynomial fitting多項(xiàng)式擬合

  • 方法二:差分消除趨勢

5.2 同時消除趨勢和季節(jié)性

  • 方法一:估計趨勢和季節(jié)性
  • 方法二:差分

6.測試殘差序列是否是獨(dú)立同分布隨機(jī)變量

我們做數(shù)據(jù)轉(zhuǎn)換的目的是為了獲得沒有趨勢沒有季節(jié)性也沒有明顯偏離的平穩(wěn)殘差序列泽论。這一步完成后,我們就要對殘差序列進(jìn)行建模卡乾。
如果序列之間沒有顯著依賴性翼悴,那么我們就可以認(rèn)為是獨(dú)立隨機(jī)變量,從而只需要估計均值和方差幔妨;但如果殘差之間是有依賴性的鹦赎,那么我們需要尋找更復(fù)雜的平穩(wěn)時間序列模型來解釋這種依賴性。這種依賴性也意味著過去的噪音序列值可以幫助我們預(yù)測未來的值误堡。
下面介紹幾種測試殘差序列是否是獨(dú)立同分布隨機(jī)變量的方法

  • (a)樣本自相關(guān)函數(shù).
  • (b) The portmanteau test.
  • (c) The turning point test.
  • (d) The difference-sign test.
  • (e) The rank test.
  • (f) Fitting an autoregressive model.
  • (g) Checking for normality.
最后編輯于
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末古话,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子锁施,更是在濱河造成了極大的恐慌陪踩,老刑警劉巖,帶你破解...
    沈念sama閱讀 212,383評論 6 493
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件悉抵,死亡現(xiàn)場離奇詭異肩狂,居然都是意外死亡,警方通過查閱死者的電腦和手機(jī)姥饰,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,522評論 3 385
  • 文/潘曉璐 我一進(jìn)店門傻谁,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人列粪,你說我怎么就攤上這事栅螟。” “怎么了篱竭?”我有些...
    開封第一講書人閱讀 157,852評論 0 348
  • 文/不壞的土叔 我叫張陵力图,是天一觀的道長。 經(jīng)常有香客問我掺逼,道長吃媒,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 56,621評論 1 284
  • 正文 為了忘掉前任吕喘,我火速辦了婚禮赘那,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘氯质。我一直安慰自己募舟,他們只是感情好,可當(dāng)我...
    茶點(diǎn)故事閱讀 65,741評論 6 386
  • 文/花漫 我一把揭開白布闻察。 她就那樣靜靜地躺著拱礁,像睡著了一般琢锋。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上呢灶,一...
    開封第一講書人閱讀 49,929評論 1 290
  • 那天吴超,我揣著相機(jī)與錄音,去河邊找鬼鸯乃。 笑死鲸阻,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的缨睡。 我是一名探鬼主播鸟悴,決...
    沈念sama閱讀 39,076評論 3 410
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼奖年!你這毒婦竟也來了遣臼?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,803評論 0 268
  • 序言:老撾萬榮一對情侶失蹤拾并,失蹤者是張志新(化名)和其女友劉穎揍堰,沒想到半個月后,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體嗅义,經(jīng)...
    沈念sama閱讀 44,265評論 1 303
  • 正文 獨(dú)居荒郊野嶺守林人離奇死亡屏歹,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 36,582評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了之碗。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片蝙眶。...
    茶點(diǎn)故事閱讀 38,716評論 1 341
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖褪那,靈堂內(nèi)的尸體忽然破棺而出幽纷,到底是詐尸還是另有隱情,我是刑警寧澤博敬,帶...
    沈念sama閱讀 34,395評論 4 333
  • 正文 年R本政府宣布友浸,位于F島的核電站,受9級特大地震影響偏窝,放射性物質(zhì)發(fā)生泄漏收恢。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 40,039評論 3 316
  • 文/蒙蒙 一祭往、第九天 我趴在偏房一處隱蔽的房頂上張望伦意。 院中可真熱鬧,春花似錦硼补、人聲如沸驮肉。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,798評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽离钝。三九已至票编,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間奈辰,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 32,027評論 1 266
  • 我被黑心中介騙來泰國打工乱豆, 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留奖恰,地道東北人。 一個月前我還...
    沈念sama閱讀 46,488評論 2 361
  • 正文 我出身青樓宛裕,卻偏偏與公主長得像瑟啃,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子揩尸,可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 43,612評論 2 350

推薦閱讀更多精彩內(nèi)容