资源描述：
《13季节ARIMA模型》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、2.8季节时间序列模型在某些时间序列中，存在明显的周期性变化。这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的。这类序列称为季节性序列。比如一个地区的气温值序列（每隔一小时取一个观测值）中除了含有以天为周期的变化，还含有以年为周期的变化。在经济领域中，季节性序列更是随处可见。如季度时间序列、月度时间序列、周度时间序列等。处理季节性时间序列只用以上介绍的方法是不够的。描述这类序列的模型之一是季节时间序列模型(seasonalARIMAmodel)，用SARIMA表示。较早文献也称其为乘
2、积季节模型（multiplicativeseasonalmodel）。设季节性序列（月度、季度、周度等序列都包括其中）的变化周期为s，即时间间隔为s的观测值有相似之处。首先用季节差分的方法消除周期性变化。季节差分算子定义为，Ds=1-Ls若季节性时间序列用yt表示，则一次季节差分表示为Dsyt=(1-Ls)yt=yt-yt-s对于非平稳季节性时间序列，有时需要进行D次季节差分之后才能转换为平稳的序列。在此基础上可以建立关于周期为s的P阶自回归Q阶移动平均季节时间序列模型（注意P、Q等于2时，滞后算子应为(Ls)2
3、=L2s。AP(Ls)DsDyt=BQ(Ls)ut(2.60)对于上述模型，相当于假定ut是平稳的、非自相关的。当ut非平稳且存在ARMA成分时，则可以把ut描述为Fp(L)Ddut=Qq(L)vt(2.61)其中vt为白噪声过程，p,q分别表示非季节自回归、移动平均算子的最大阶数，d表示ut的一阶（非季节）差分次数。由上式得ut=Fp-1(L)D-dQq(L)vt(2.62)把(2.62)式代入(2.60)式，于是得到季节时间序列模型的一般表达式。Fp(L)AP(Ls)(DdDsDyt)=Qq(L)BQ(Ls)
4、vt(2.63)其中下标P,Q,p,q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数，d,D分别表示非季节和季节性差分次数。上式称作(p,d,q)´(P,D,Q)s阶季节时间序列模型或乘积季节模型。保证（DdDsDyt）具有平稳性的条件是Fp(L)AP(Ls)=0的根在单位圆外；保证（DdDsDyt）具有可逆性的条件是Qq(L)BQ(Ls)=0的根在单位圆外。当P=D=Q=0时，SARIMA模型退化为ARIMA模型；从这个意义上说，ARIMA模型是SARIMA模型的特例。当P=D=Q=p=q=d=0时，S
5、ARIMA模型退化为白噪声模型。(1,1,1)´(1,1,1)12阶月度SARIMA模型表达为(1-f1L)(1-a1L12)DD12yt=(1+q1L)(1+b1L12)vtDD12yt具有平稳性的条件是
6、f1
7、<1，
8、a1
9、<1，DD12yt具有可逆性的条件是
10、q1
11、<1，
12、b1
13、<1。设log(Yt)=yt，变量DD12yt在EViews中用DLOG(Y,1,12)表示（这样表示的好处是EViews可以直接预测到Y），上式的EViews估计命令是12DLOG(Y,1,12)AR(1)SAR(12)MA(1)
14、SMA(12)(0,1,1)´(0,1,1)12阶月度SARIMA模型表达为DD12yt=(1+q1L)(1+b1L12)vt(2.64)(2.64)式的EViews估计命令是DLOG(Y,1,12)MA(1)SMA(12)由(2.64)式得DD12yt=(1+q1L)(1+b1L12)vt=vt+q1Lvt+b1L12vt+q1b1L13vt=vt+q1vt–1+b1vt–12+q1b1vt–13上式对应的EViews估计命令是DLOG(Y,1,12)MA(1)MA(12)MA(13)模型表达式是DD12yt=
15、vt+q1vt–1+q12vt–12+q13vt–13这是一个非季节模型表达式。以上两个EViews估计命令是等价的，都是估计MA(13)模型。注意：唯一不同点是上式对vt–13的系数没有约束，而对季节模型来说，相当于增加了一个约束条件，q13=q1b1。进一步化简D(yt–yt-12)=vt+q1vt–1+b1vt–12+q1b1vt–13Dyt–Dyt-12=vt+q1vt–1+b1vt–12+q1b1vt–13用于预测的模型型式是yt=yt-1+yt-12–yt–13+vt+q1vt–1+b1vt–12+q
16、1b1vt–13(2.65)从上式可以看出SARIMA模型可以展开为ARIMA模型。对乘积季节模型的季节阶数，即周期长度s的识别可以通过对实际问题的分析、时间序列图以及时间序列的相关图和偏相关图分析得到。以相关图和偏相关图为例，如果相关图和偏相关图不是呈线性衰减趋势，而是在变化周期的整倍数时点上出现绝对值相当大的峰值并呈振荡式变化，就可以认为该时间序列可以用SARIMA模
