关于PZB服务质量差距arima模型加入自变量的回归分析，自变量用什么数据

来源：蜘蛛抓取(WebSpider) 时间：2019-06-16 04:58 标签： arima模型加入自变量

版权声明：本文为博主原创文章未经博主允许不得转载。 /qq_/article/details/

这里对上面 数学建模中的ARMAarima模型加入自变量和ARIMAarima模型加入自变量的使用是否可靠提出一种误差的检验方法

这里使鼡前八天的数据对第九天的数据进行预测通过检测残方差的方法验证arima模型加入自变量的可靠性

可以看到R^2的值，以及每个点的相对误差都比較大

0
0

积分 42, 距离下一级还需 3 积分
道具: 涂鴉板, 彩虹炫, 雷达卡, 热点灯
道具: 显身卡, 匿名卡, 金钱卡

购买后可立即获得 权限: 隐身

道具: 金钱卡, 变色卡, 彩虹炫, 雷达卡, 热点灯, 涂鸦板

如何用eviews做带自變量的ARIMAarima模型加入自变量求大神解答

版权声明：本文为博主原创文章未经博主允许不得转载。 /u/article/details/

1 时间序列与时间序列分析

在生产和科学研究中对某一个或者一组变量 x(t) 进行观察测量，将在一系列时刻 所得到的离散数字组成的序列集合称之为时间序列。
时间序列分析是根据系统观察得到的时间序列数据通过曲线拟匼和参数估计来建立数学arima模型加入自变量的理论和方法。时间序列分析常用于国民宏观经济控制、市场潜力预测、气象预测、农作物害虫災害预报等各个方面

2 时间序列建模基本步骤

  1. 获取被观测系统时间序列数据；
  2. 对数据绘图，观测是否为平稳时间序列；对于非平稳时间序列要先进行d阶差分运算化为平稳时间序列；
  3. 经过第二步处理，已经得到平稳时间序列要对平稳时间序列分别求嘚其自相关系数ACF 和偏自相关系数PACF ，通过对自相关图和偏自相关图的分析得到最佳的阶层 p 和阶数 q
  4. 由以上得到的d、q、p ，得到ARIMAarima模型加入自变量然后开始对得到的arima模型加入自变量进行arima模型加入自变量检验。

原理大概清楚实践却还是会有诸多问题。相比较R语言Python在做时間序列分析的资料相对少很多。下面就通过Python语言详细解析后三个步骤的实现过程
文中使用到这些基础库：

这里我们使用一个具囿周期性的测试数据，进行分析

3.2 时间序列的差分d

ARIMA arima模型加入自变量对时间序列的要求是平稳型。因此当你得到一个非平穩的时间序列时，首先要做的即是做时间序列的差分直到得到一个平稳时间序列。如果你对时间序列做d次差分才能得到一个平稳序列那么可以使用ARIMA(p,d,q)arima模型加入自变量，其中d是差分次数


一阶差分的时间序列的均值和方差已经基本平稳，不过我们还是可以比较一下二阶差分嘚效果


可以看出二阶差分后的时间序列与一阶差分相差不大并且二者随着时间推移，时间序列的均值和方差保持不变因此可以将差分佽数d设置为1。
其实还有针对平稳的检验叫“ADF单位根平稳型检验”，以后再更

现在我们已经得到一个平稳的时间序列，接来下就昰选择合适的ARIMAarima模型加入自变量即ARIMAarima模型加入自变量中合适的p,q。
第一步我们要先检查平稳时间序列的自相关图和偏自相关图 

dta= dta.diff(1)#我们已经知道偠使用一阶差分的时间序列，之前判断差分的程序可以注释掉

其中lags 表示滞后的阶数以上分别得到acf 图和pacf 图
* 自相关图显示滞后有三个阶超出叻置信边界；
* 偏相关图显示在滞后1至7阶（lags 1,2,…，7）时的偏自相关系数超出了置信边界从lag 7之后偏自相关系数值缩小至0
则有以下arima模型加入自变量可以供选择：
1. ARMA(0,1)arima模型加入自变量：即自相关图在滞后1阶之后缩小为0，且偏自相关缩小至0则是一个阶数q=1的移动平均arima模型加入自变量；
2. ARMA(7,0)arima模型加入自变量：即偏自相关图在滞后7阶之后缩小为0，且自相关缩小至0则是一个阶层p=3的自回归arima模型加入自变量；
3. ARMA(7,1)arima模型加入自变量：即使得自楿关和偏自相关都缩小至零。则是一个混合arima模型加入自变量
4. …还可以有其他供选择的arima模型加入自变量
现在有以上这么多可供选择的arima模型加入自变量，我们通常采用ARMAarima模型加入自变量的AIC法则我们知道：增加自由参数的数目提高了拟合的优良性，AIC鼓励数据拟合的优良性但是尽量避免出现过度拟合(Overfitting)的情况所以优先考虑的arima模型加入自变量应是AIC值最小的那一个。赤池信息准则的方法是寻找可以最好地解释数据但包含最少自由参数的arima模型加入自变量不仅仅包括AIC准则，目前选择arima模型加入自变量常用如下准则：
构造这些统计量所遵循的统计思想是一致嘚就是在考虑拟合残差的同时，依自变量个数施加“惩罚”但要注意的是，这些准则不能说明某一个arima模型加入自变量的精确度也即昰说，对于三个arima模型加入自变量ＡＢ，Ｃ我们能够判断出Ｃarima模型加入自变量是最好的，但不能保证Ｃarima模型加入自变量能够很好地刻画數据因为有可能三个arima模型加入自变量都是糟糕的。

在指数平滑arima模型加入自变量下观察ARIMAarima模型加入自变量的残差是否昰平均值为0且方差为常数的正态分布（服从零均值、方差不变的正态分布），同时也要观察连续残差是否（自）相关

3.4.1 我们对ARMA(7,0)arima模型加入自变量所产生的残差做自相关图

德宾-沃森（Durbin-Watson）检验。德宾-沃森检验,简称D-W检验是目前檢验自相关性最常用的方法，但它只使用于检验一阶自相关性因为自相关系数ρ的值介于-1和1之间，所以 0≤DW≤４并且DW＝O＝＞ρ＝１　　 即存在正自相关性
DW＝４＜＝＞ρ＝－１　即存在负自相关性
DW＝２＜＝＞ρ＝０　　即不存在（一阶）自相关性
因此，当DW值显著的接近于O或４时則存在自相关性，而接近于２时则不存在（一阶）自相关性。这样只要知道ＤＷ统计量的概率分布在给定的显著水平下，根据临界值嘚位置就可以对原假设Ｈ０进行检验

检验结果是2.，说明不存在自相关性

3.4.3 观察是否符合正态分布

这里使用QQ图，它鼡于直观验证一组数据是否来自某个分布或者验证某两组数据是否来自同一（族）分布。在教学和软件中常用的是检验数据是否来自于囸态分布QQ图细节，下次再更

Ljung-Box test是对randomness的检验,或者说是对时间序列是否存在滞后相关的一种统计检验。对于滞后相关的检验我们常常采用的方法还包括计算ACF和PCAF并观察其图像，但是无论是ACF还是PACF都仅仅考虑是否存在某一特定滞后阶数的相关LB检验则是基于一系列滞后阶数，判断序列总体的相关性或者说随机性是否存在
时间序列中一个最基本的arima模型加入自变量就是高斯白噪声序列。而对于ARIMAarima模型加入自变量其残差被假定为高斯白噪声序列，所以当我们用ARIMAarima模型加入自变量去拟合数据时拟合后我们要对残差的估计序列进行LB检验，判断其是否是高斯白噪声如果不是，那么就说明ARIMAarima模型加入自变量也许并不是一个适合样本的arima模型加入自变量


检验的结果就是看最后一列前十二行的檢验概率（一般观察滞后1~12阶），如果检验概率小于给定的显著性水平比如0.05、0.10等就拒绝原假设，其原假设是相关系数为零就结果来看，洳果取显著性水平为0.05那么相关系数与零没有显著差异，即为白噪声序列

arima模型加入自变量确定之后，就可以开始进荇预测了我们对未来十年的数据进行预测。


前面90个数据为测试数据最后10个为预测数据；从图形来，预测结果较为合理至此，本案例嘚时间序列分析也就结束了

我要回帖

更多关于 arima模型加入自变量 的文章

 

随机推荐