1、时间序列分析(Time-SeriesAnalysis)是指将原来的销售分解为四部分来看——趋势、周期、时期和不稳定因素 , 然后综合这些因素 , 提出销售预测 。强调的是通过对一个区域进行一定时间段内的连续遥感观测 , 提取图像有关特征 , 并分析其变化过程与发展规模 。当然 , 首先需要根据检测对象的时相变化特点来确定遥感监测的周期 , 从而选择合适的遥感数据 。
2、特点:简单易行 , 便于掌握 , 但准确性差 , 一般只适用于短期预测 。
3、基本原理:一是承认事物发展的延续性 。应用过去数据 , 就能推测事物的发展趋势 。二是考虑到事物发展的随机性 。任何事物发展都可能受偶然因素影响 , 为此要利用统计分析中加权平均法对历史数据进行处理 。
4、基本思想:根据系统的有限长度的运行记录(观察数据) , 建立能够比较精确地反映序列中所包含的动态依存关系的数学模型 , 并借以对系统的未来进行预报 。
时间序列分析 在R中生成时间序列的前提是我们将分析对象转成时间序列函数对象 , 包括观测值、起始时间、种植时间、及周期(月、季度、年)的结构 。这些都能通过ts( )函数实现 。
R语言中 , 对时间序列数据进行分析处理时 , 使用差分函数要注意:差分函数diff()不带参数名的参数指滞后阶数 , 也就是与滞后第几阶的数据进行差分 。如果要指定差分的阶数 , 则一定要使用带名称的参数:diff=2 。
例如: sample表示样本数据 。
1、diff(sample,2)表示是对滞后2阶的数据进行差分 , 一阶差分 , 等同于: diff(sample,lag=2)
2、diff(sample,diff=2)才是表示二阶差分
意:在函数中尽量避免使用没有命名的参数 。在《时间序列分析及应用-R语言(第2版)》中 , P315 , 描述到: 我们得到的教训就是 , 除非完全了解相关参数的位置 , 否则使用未命名参数是非常危险的 。
截尾是指时间序列的自相关函数(ACF)或偏自相关函数(PACF)在某阶后均为0的性质(比如AR的PACF);
【时间序列分析】 拖尾是ACF或PACF并不在某阶后均为0的性质(比如AR的ACF) 。
拖尾 :始终有非零取值 , 不会在k大于某个常数后就恒等于零(或在0附近随机波动)
截尾 :在大于某个常数k后快速趋于0为k阶截尾
AR模型:自相关系数拖尾 , 偏自相关系数截尾;
MA模型:自相关系数截尾 , 偏自相关函数拖尾;
ARMA模型:自相关函数和偏自相关函数均拖尾 。
根据输出结果 , 自相关函数图拖尾 , 偏自相关函数图截尾 , 且n从2或3开始控制在置信区间之内 , 因而可判定为AR(2)模型或者AR(3)模型 。
时间序列分析概述 时间序列具有如下特点:
分类:
????五个步骤:特征分析、模型识别、模型参数估计、模型检验、模型应用 。
?????在进行时间序列建模的过程中 , 首先要对时间序列的特征有所了解 , 一般的 , 从时间序列的 随机性、平稳性和季节性 三个方面进行考虑 , 其中平稳性尤为重要 , 对于一个非平稳时间序列 , 通常需进行平稳化处理后在进行建模 , 也可以根据特性之间建模 。
???? 单位根检验 是指判断时间序列中是否存在单位根 , 即对时间序列的平稳性进行检验 。可以证明若存在单位根 , 则序列是不平稳的 , 常用的单位根检验方法包括:ADF(Augmented Dickey Fuller)检验、PP(Phillips Person)检验、NP(Nelson Plosser)检验等 。
?时间序列的模型识别主要包括:确定模型类别和模型阶数两个方面 。
?????在确定时间序列模型的类别方面 , 平稳序列样本自相关函数和偏相关函数的拖尾性和截尾性是判断模型类别的基本方法 。
????在确定时间序列模型的阶数方面 , 主要有以下几种定阶方式 。
????对时间序列模型的检验分为两大类:模型的显著性检验及模型参数的显著性检验
????时间序列模型的显著性检验主要检验模型的有效性 。模型的显著性检验的主要任务是看模型是否充分有效地提取了全部信息 , 即一个好的模型应该确保残差序列为白噪声 , 这样确保了再无可利用信息 。如果残差是非白噪声 , 则意味着残差中留有相关信息 。