3时间的序列模型识别

1、时间序列模型识别> 1采用ACF、PACF识另U1.1MA(1)模型根据其自相关系数是否落在2倍标准误差(方差约等丁1/n)里面，判断是否接受原假设为ma(q)模型，如下ma(1)模型data(ma1.1.s)acf(ma1.1.s)采用公式计算出的可变临界限，画出来的标准差范围是乎更加精确公式为acf(ma1.1.s,ci.type='ma')acf(ma1.1.s,ci.type='ma',xaxp=c(0,20,10)Xaxp(0,20,10)表示滞后从0到20,中间画出10个标度若ACF中有明显衰减的正弦波趋势也应该考虑下AR模型，用PACF做进一

2、步的检验。> 1.2AR(1)模型data(ar1.s)acf(ar1.s,xaxp=c(0,20,10)其自相关系数趋近丁线性递减，一般对丁AR模型应采用计算pacf若ACF中有明显衰减的正弦波趋势也应该考虑下AR模型，用PACF做进一步的检验。>pacf(ar1.s,xaxp=c(0,20,10)Senesnrl.s由图可知其偏相关系数在一阶时非常的明显，也再一次验证了其是一阶自相关过程。1.3ARMA(1,1)>plot(arma11.s)>acf(arma11.s,xaxp=c(0,20,10)>pacf(arma11.s,xaxp=c(0,20,10)u

3、=<一2?氧.1±从acf和pacf可以看出模型建议为arma(1,1)1.4非平稳模型ARIMA>data(oil.price)*>acf(as.vector(oil.price)>pacf(as.vector(oil.price)L&J一阶差分后的相关系数>acf(diff(as.vector(log(oil.price)terirs<llffiHHFCiyDq|n<|wirw|n2EACF方法ACF和PACF为识别纯MA和AR提供了有效的工具，但是对丁混合模型则力不从心，扩展的自相关函数eacf可以帮助我们识别混合模型>e

4、acf(arma11.s)AR/MA0123456789101112130xxxxooooooooooxoooooooooooooxoooooooooooooxxooooooooooooxoxoooooooooooxoooooooooooooxoooxoooooooooxoooxooooooooo如对丁armall数据集来说，演示结果表明arma(1,1)或者arma(2,1)是可取的eacf(ar1.s)AR/MA0123456789101112130xxxxxxooooooooooooooooooooooooooooooooooooxoooooooooooooxooooooooooooox

5、xooooooooooooxoxoooooooooooxoxoooooooooooeacf(ma1.1.s)AR/MA0123456789101112130xoooxooooooooxxoooooooooooooxoooooooooooooxxxxooooooooooxxoxxoooooooooxxooxxooooooooooxxxxooooooooooxooxoooooooo如何看eacf图：找出图中全为零的三角区域，从x部分开始构建，构建成的三角尖即为可行模型(找到点后对着行列的标值可分别找到AR和MA的建议阶数)3Armasubset基于BIC对最优子集ARMA的选择res=armasubsets(arma11.s,nar=3,nma=3)plot(res)在用armasubsets时如果设置的nar和nma不合理，则会出错提示，Inleaps.setup(x,y,wt=wt,nbest=nbest,nvmax=nvmax,force.in=force.in,:1lineardependenciesfound因为过分的差分后可能出现0值。此时要将其设置得更小从图可以看出：根据最小BIC准则，较好的模型有较小的BIC，因为图中的BIC为负数所以先取第一行，第一行中阴影包括了前部分的1阶滞后项，而后部分无阴影即无误差项(前部分是对应AR,而后