时间序列初探平稳性分析及R实现Word文档下载推荐.docx
- 文档编号:19448580
- 上传时间:2023-01-06
- 格式:DOCX
- 页数:11
- 大小:81.50KB
时间序列初探平稳性分析及R实现Word文档下载推荐.docx
《时间序列初探平稳性分析及R实现Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《时间序列初探平稳性分析及R实现Word文档下载推荐.docx(11页珍藏版)》请在冰豆网上搜索。
•给出一个随机时间序列,首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。
•一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程;
•而非平稳序列则往往表现出在不同的时间段具有不同的均值<
如持续上升或持续下降)。
函数1:
时间序列及趋势绘制
参数1:
时间序列
功能:
绘制时间序列
绘制时间序列的趋势函数
返回值:
无
1.3.2单位根检验
单位根检验<
unitroottest)是针对宏观经济数据序列、货币金融数据序列中是否具有某种统计特性而提出的一种平稳性检验的特殊方法,单位根检验的方法有很多种,包括DF检验、ADF检验、PP检验、NP检验等。
单位根检验时间序列的单位根研究是时间序列分析的一个热点问题。
时间序列特性的时变行为实际上反映了时间序列的非平稳性质。
对非平稳时间序列的处理方法一般是将其转变为平稳序列,这样就可以应用有关平稳时间序列的方法来进行相应得研究。
对时间序列单位根的检验就是对时间序列平稳性的检验,非平稳时间序列如果存在单位根,则一般可以通过差分的方法来消除单位根,得到平稳序列。
对于存在单位根的时间序列,一般都显示出明显的记忆性和波动的持续性,因此单位根检验是有关协整关系存在性检验和序列波动持续性讨论的基础。
1.3.3自相关函数(ACF>
判断
平稳时间序列的自相关函数(ACF>
要么是截尾的,要么是拖尾的。
因此我们可以根据这个特性来判断时间序列是否为平稳序列。
若时间序列具有上升或下降的趋势,那么对于所有短时滞来说,自相关系数大且为正,而且随着时滞k的增加而缓慢地下降。
若序列无趋势,但是具有季节那么于按月采集的数据,时滞12,24,36……的自相关系数达到最大(如果数据是按季度采集,则最大自相关系数出现在4,8,12,……>
,并且随着时滞的增加变得较小。
2平稳时间序列模型
2.1自回归AR模型
由于经济系统惯性的作用,经济时间序列往往存在着前后依存关系。
最简单的一种前后依存关系就是变量当前的取值主要与其前一时期的取值状况有关。
用数学模型来描述这种关系就是如下的一阶自回归模型:
Xt=φXt-1+εt<
2.1.1)
常记作AR(1>
。
其中{Xt}为零均值<
即已中心化处理)平稳序列,φ为Xt对Xt-1的依赖程度,εt为随机扰动项序列<
外部冲击)。
若φ=1则Xt包含了一个随机性趋势,是非平稳的。
若φ的绝对值<
1则其是平稳的。
如果Xt与过去时期直到Xt-p的取值相关,则需要使用包含Xt-1,……Xt-p在内的p阶自回归模型来加以刻画。
P阶自回归模型的一般形式为:
Xt=φ1Xt-1+φ2Xt-2+…+φpXt-p+εt<
2.1.2)
为了简便运算和行文方便,我们引入滞后算子来简记模型。
设B为滞后算子,即BXt=Xt-1,则B(Bk-1Xt>
=BkXt=Xt-kB(C>
=C(C为常数>
利用这些记号,<
2.1.2)式可化为:
Xt=φ1BXt+φ2B2Xt+φ3B3Xt+……+φpBpXt+εt
从而有:
<
1-φ1B-φ2B2-……-φpBp)Xt=εt
记算子多项式φ<
B)=<
1-φ1B-φ2B2-……-φpBP),则模型可以表示成
φ<
B)Xt=εt(2.1.3>
例如,二阶自回归模型Xt=0.7Xt-1+0.3Xt-2+0.3Xt-3+εt可写成<
1-0.7B-0.3B2)Xt=εt
若AR(P>
有一个等于1的根,则称序列有一个单位自回归根或称为单位根,从而也说明它包含了随机性趋势,是非平稳的。
当且仅当AR特征方程的每一个根绝对值大于1,时间序列是平稳的。
2.2滑动平均模型<
MA)
有时,序列Xt的记忆是关于过去外部冲击值的记忆,在这种情况下,Xt可以表示成过去冲击值和现在冲击值的线性组合,即
Xt=εt-θ1εt-1-θ2εt-2-……-θqεt-q(2.1.4>
此模型常称为序列Xt的滑动平均模型,记为MA(q>
,其中q为滑动平均的阶数,θ1,θ2…θq为参滑动平均的权数。
相应的序列Xt称为滑动平均序列。
使用滞后算子记号,<
2.1.4)可写成
Xt=<
1-θ1B-θ2B2-……-θqBq)qt=θ(B>
εt(2.1.5>
2.3自回归滑动平均模型<
ARMA)
如果序列{Xt}的当前值不仅与自身的过去值有关,而且还与其以前进入系统的外部冲击存在一定依存关系,则在用模型刻画这种动态特征时,模型中既包括自身的滞后项,也包括过去的外部冲击,这种模型叫做自回归滑动平均模型,其一般结构为:
Xt=φ1Xt-1+φ2Xt-2+……+φpXt-p+εt-θ1εt-1-θ2εt-2-……-θqεt-q(2.1.6>
简记为ARMA(p,q>
利用滞后算子,此模型可写为
B)Xt=θ(B>
εt<
2.1.7)
3R中实现判断时间序列的平稳性
3.1例一
>
x=rnorm(500>
#生成500个服从正太分布的数
y=cumsum(x>
#累加x的数对应得到y
3.1.1绘制时序图
plot.ts(x>
plot.ts(y>
从两个图的不同可以看出x时间序列趋势不随时间的变化而变化,其随机性比较强。
而y序列则有明显的时间趋势。
3.1.2ADF.test检验
install.packages("
tseries"
#安装时间序列包
library("
lib.loc="
e:
/ProgramFiles/R/R-2.15.2/library"
#载入时间序列包
adf.test(x>
AugmentedDickey-FullerTest
data:
x
Dickey-Fuller=-8.0878,Lagorder=7,p-value=0.01
alternativehypothesis:
stationary
结论:
p-value=0.01拒绝原假设<
原假设认为时间序列是非平稳的),即可认为x是平稳的。
adf.test(y>
y
Dickey-Fuller=-1.1291,Lagorder=7,p-value=0.9179
p-value=0.9179不能拒绝原假设,所以认为y是非平稳的。
函数2:
ADF检验时间序列的平稳性:
ADFTEST
P临界值,默认值为0.05
返回结果:
用框架来组织返回结果
结论<
1:
平稳,0:
不平稳)
adf.test函数的返回值
3.1.3PP检验
pp.test(x>
Phillips-PerronUnitRootTest
Dickey-FullerZ(alpha>
=-510.4566,Truncationlagparameter=5,p-value=0.01
警告信息:
Inpp.test(x>
:
p-valuesmallerthanprintedp-value
p-value=0.01拒绝非平稳性假设,即认为x是平稳的。
pp.test(y>
=-3.9888,Truncationlagparameter=5,p-value=0.8872
p-value=0.8872不能拒绝原假设y是非平稳的,所以认为y是非平稳的。
函数3:
PP检验时间序列的平稳性:
PPTEST
R语言pp检验函数的返回值
3.1.4ACF自相关函数判断
modelx=lm(x~time(x>
summary(modelx>
Call:
lm(formula=x~time(x>
Residuals:
Min1QMedian3QMax
-2.87920-0.750030.011030.705953.15625
Coefficients:
EstimateStd.ErrortvaluePr(>
|t|>
(Intercept>
0.15248490.09153591.6660.0964.
time(x>
-0.00050770.0003166-1.6030.1095
---
Signif.codes:
0‘***’0.001‘**’0.01‘*’0.05‘.’0.1‘’1
Residualstandarderror:
1.022on498degreesoffreedom
MultipleR-squared:
0.005136,AdjustedR-squared:
0.003138
F-statistic:
2.571on1and498DF,p-value:
0.1095
acf(rstudent(modelx>
main='
关于x的acf自相关系数'
从图中可以看出其K阶滞后自相关系数都非常小呈截现象,因此判断时间系列为平稳性是合理的。
函数4:
ACF检验函数
参数:
检验p值,默认为0.05
图形保存路径,默认为空
以框架形式
线性回归函数各个系数的检验p值
ACF函数的返回值
modely=lm(y~time(y>
summary(modely>
lm(formula=y~time(y>
-13.2206-5.6292-0.67426.318513.6971
8.6593760.62053813.96<
2e-16***
time(y>
0.0329660.00214615.36<
6.927on498degreesoffreedom
0.3214,AdjustedR-squared:
0.3201
235.9on1and498DF,p-value:
<
2.2e-16
acf(rstudent(modely>
关于y的acf自相关系数'
从图中可以看出ACF随着k的增大而缓慢下降,自相关系数大且为正因此判断y序列为非平稳时间序列是合理的。
3.2例二
以TSA自带的数据tempdub为例验证数据的平稳性检验
3.2.1绘图
TSA"
从图中可以看出此时间序列具有非常明显的周期性趋势。
3.2.2Adf检验
adf.test(tempdub>
tempdub
Dickey-Fuller=-11.0773,Lagorder=5,p-value=0.01
p-value=0.01所以tempdub时间序列是平稳的。
3.2.3Pp检验
pp.test(tempdub>
=-51.0795,Truncationlagparameter=4,p-value=0.01
Inpp.test(tempdub>
p-value=0.01再次验证该时间序列的平稳性。
3.2.4ACF自相关函数判断
modeltemp=lm(tempdub~time(tempdub>
summary(modeltemp>
lm(formula=tempdub~time(tempdub>
-37.871-19.0662.39417.05328.156
-214.1324920.7668-0.2330.816
time(tempdub>
0.13220.46740.2830.778
19.43on142degreesoffreedom
0.0005629,AdjustedR-squared:
-0.006475
0.07998on1and142DF,p-value:
0.7777
acf(rstudent(modeltemp>
关于tempdub的acf自相关系数'
从图中可以看出ACF也具有明显的周期性。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时间 序列 初探 平稳 分析 实现