论文部分内容阅读
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后排列而成的序列,应用领域非常广泛。时间序列的发展历程可以追溯到1927年Yule提出的AR模型,然后在1937年Walker提出了MA模型,将两个模型合并得到了ARMA模型。在1970年Box和Jenkins在《Time Series Analysis Forecasting and Control》中提出了ARIMA模型,主要针对那些带有线性趋势的模型,通过前后差分消掉趋势,已得到ARMA模型,然后就可以用之前得到的结果。不过Box-Jenkins提出的ARIMA模型主要用于单变量,同方差场合的线性模型,对于异方差、多变量的情况还是带有一定的局限性。接下来在1982年,Engle提出了ARCH模型,专门解决那些具有异方差性质的序列。然后1985年,Bollerslov针对多变量的情况提出了GARCH模型。1987年,Granger提出了协整理论,这是经济学中的一项重要理论。在1980年,华人时间序列专家Howell Tong(汤家豪)等人提出了门限自回归模型。时间序列分析的目的一般有两个方面:一是认识产生观测序列的随机机制,即建立数据生成模型;二是基于序列的已知数据,对未来的可能取值给出预测或预报。时间序列分析本质上其实和普通的回归分析一样,都是从样本推断总体的方法,但是由于数据结构不同,不能用普通回归分析那一套方法,即通过最小二乘法寻找。时间序列分析方法有描述性时间序列分析和统计时间序列分析,前者主要通过图表来判断,无数学理论基础,但是能够作为拿到数据后的初步判断。后者拥有很强的数学基础,且分为频域分析方法和时域分析方法。其中频域分析方法用到了数学中的傅里叶分析,较为复杂,不利于使用。目前学校里学得最多的就是时域分析方法,因为这种方法理论基础较为扎实,且操作步骤规范,基本通过编程实现。本文在分析和理解平稳时间序列和非平稳时间序列的基础上,在R语言的环境下,根据某一观测数据的时间序列,实现了对该时间序列的平稳性分析,模型识别,参数估计,模型诊断,预测和更新。