做VAR，如何做时间序列分析一个平稳一个不平稳怎么办，是只对不平稳如何做时间序列分析差分，还是对两个都差分再做VAR

来源：蜘蛛抓取(WebSpider) 时间：2019-04-05 09:34 标签： 如何做时间序列分析

既然有了序列那怎么拿来分析呢？

如何做时间序列分析分析方法分为描述性时序分析和统计时序分析

通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律這种分析方法就称为描述性时序分析。

描述性时序分析方法具有操作简单、直观有效的特点它通常是人们进行统计时序分析的第一步。

原理：假设任何一种无趋势的如何做时间序列分析都可以分解成若干不同频率的周期波动

1）早期的频域分析方法借助富里埃分析从频率的角度揭示如何做时间序列分析的规律
2）后来借助了傅里叶变换用正弦、余弦项之和来逼近某个函数
3）20世纪60年代，引入最大熵谱估计理论进入现代谱分析阶段

特点：非常有用的动态数据分析方法，但是由于分析方法复杂结果抽象，有一定的使用局限性

原理：事件的发展通常都具有一定的惯性这种惯性用统计的语言来描述就是序列值之间存在着一定的相关关系，这种相关关系通常具有某种统计规律

目嘚：寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律进而利用这个拟合模型预测序列未来的走势

特点：理论基础扎实，操作步骤规范分析结果易于解释，是如何做时间序列分析分析的主流方法

说了半天其实，时域分析才是我们经常接觸的

时域分析方法的分析步骤：

  1. 根据序列的特征选择适当的拟合模型
  2. 根据序列的观察数据确定模型的口径
  3. 利用拟合好的模型来推断序列其它的统 计性质或预测序列将来的发展

时域分析方法的发展过程

用哪些软件可以做如何做时间序列分析分析呢？

如何做时间序列分析的预處理1-----平稳性检验

序列在建模前到底要做哪些预处理呢首先，大伙都知道的平稳性检验是必须的！

说到平稳其实有两种平稳——宽平稳、严平稳。

严平稳相较于宽平稳来说条件更多更严格，而我们时常运用的如何做时间序列分析大多宽平稳就够了。

是在固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程这样，数学期望和方差这些参数也不随时间和位置变化（比如白噪声）。

寬平稳是使用序列的特征统计量来定义的一种平稳性它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二階）就能保证序列的主要性质近似稳定。

一般关系：严平稳条件比宽平稳条件苛刻通常情况下，严平稳（低阶矩存在）能推出宽平稳荿立而宽平稳序列不能反推严平稳成立。

特例：不存在低阶矩的严平稳序列不满足宽平稳条件例如服从柯西分布的严平稳序列就不是寬平稳序列。当序列服从多元正态分布时宽平稳可以推出严平稳。

如何判断序列是平稳的

先从图形法上看（通常越是简单的方法，往往越能看到问题图形给出的第一感觉也许就是真相哦~~~~）

时序图，例如(eviews画滴)：

什么样的图不平稳先说下什么是平稳，平稳就是围绕着一個常数上下波动 看看上面这个图，很明显的增长趋势不平稳。

我们还可以根据自相关和偏相关系数来查看：
还以上面的序列为例：用eviews嘚到自相关和偏相关图Q统计量和伴随概率。

平稳的序列的自相关图和偏相关图不是拖尾就是截尾

截尾就是在某阶之后，系数都为 0 怎麼理解呢，看上面偏相关的图当阶数为 1 的时候，系数值还是很大 0.914. 二阶长的时候突然就变成了 0.050. 后面的值都很小，认为是趋于 0 这种状况僦是截尾。

再就是拖尾拖尾就是有一个衰减的趋势，但是不都为 0 自相关图既不是拖尾也不是截尾。

以上的图的自相关是一个三角对称嘚形式这种趋势是单调趋势的典型图形。

平稳性是指如何做时间序列分析的所有统计性质都不会随着时间的推移而发生变化对于一个岼稳的如何做时间序列分析来说，需要具有以下特征：

（1）均数和方差不随时间变化；

（2）自相关系数只与时间间隔有关与所处的时间無关。

相关系数是用来量化变量之间的相关程度

自相关系数研究的是一个序列中不同时期的相关系数，也就是如何做时间序列分析计算其当前期和不同滞后期的一系列相关系数

目前主流的如何做时间序列分析预测方法都是针对平稳的如何做时间序列分析进行分析的，但昰实际上我们遇到的大多数如何做时间序列分析都不平稳，所以在分析时需要首先识别序列的平稳性，并且把不平稳的序列转换为平穩序列一个如何做时间序列分析只有被平稳化处理过，才能被控制和预测

检测出来序列不是平稳的怎么办？

将如何做时间序列分析平穩化的方式有很多基础的方法是差分，因为这个方法有助于我们解读如何做时间序列分析模型

差分，就是指序列中前后相邻的两期数據之差

?yt?即为一次差分，也为一阶差分

1.什么是差分？有哪些类型区别在哪？

差分其实不仅仅是只有一次差分通常我们将一次差汾运算叫做一阶差分，再一次差分就叫做二阶差分以此类推，P次差分就是P阶差分

这个不常见，但有时也会用到.

P阶就是P次的概念；K步僦是在一次差分里间隔K个数据的概念.

延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子就相当于把当前序列值的时间向过去撥了一个时刻记B为延迟算子，有

为什么要提到延迟算子因为可以用它来表示差分运算.

自回归模型（英语：Autoregressive model，简称AR模型）是统计上一种處理如何做时间序列分析的方法，用同一变数例如 x x x 的之前各期亦即 x 1 x_1 xt?1? 来预测本期xt的表现，并假设它们为一线性关系因为这是从回归汾析中的线性回归发展而来，只是不用 x x

自回归模型被广泛运用在经济学、信息学、自然现象的预测上

其中： c c c 是常数项；被假设为平均数等于0，标准差等于 σ \sigma σ 的随机误差值； σ \sigma σ 被假设为对于任何的t都不变
文字叙述为： X X X的当期值等于一个或数个落后期的线性组合，加常數项加随机误差。

自回归方法的优点是所需资料不多可用自身变数数列来进行预测。但是这种方法受到一定的限制：

必须具有自相关自相关系数 φ i \varphi_i φi? 是关键。如果自相关系数小于0.5则不宜采用，否则预测结果极不准确

自回归只能适用于预测与自身前期相关的经济現象，即受自身历史因素影响较大的经济现象如矿的开采量，各种自然资源产量等；对于受社会因素影响较大的经济现象不宜采用自囙归，而应改采可纳入其他变数的向量自回归模型

相关系数度量指的是两个不同事件彼此之间的相互影响程度；而自相关系数度量的是哃一事件在两个不同时期之间的相关程度，形象的讲就是度量自己过去的行为对自己现在的影响

如何做时间序列分析的预处理2-----残差白噪聲检验

预处理还有一项内容就是随机性检验，其实就是俗称的残差白噪声检验

为什么残差要是白噪声？

答：得到白噪声序列就说明如哬做时间序列分析中有用的信息已经被提取完毕了，剩下的全是随机扰动是无法预测和使用的，残差序列如果通过了白噪声检验则建模就可以终止了，因为没有信息可以继续提取如果残差不是白噪声，就说明残差中还有有用的信息需要修改模型或者进一步提取。

怎樣对白噪声进行检验

答：白噪声检验的步骤为：打开resid序列，viewcorrelogram，差分阶数选择level确定，看q统计量的伴随p值是不是很大就行了

DF检验/单位根检验:

DF检验本质上就是基于上一模型对参数 ρ=1 或 δ=0 的假设检验 




                            

                                                

                    

                

            

            


            

                
我要回帖

                

                    

                        
                        
                    

                

            

            

                        

                
更多关于 如何做时间序列分析 的文章

                

                    
                

            

                    

        

            

                
 

                


                

            

            

            

                
随机推荐