1. 时间序列二阶差分才平稳要怎么解释
不一定要二阶差分,一阶差分后如果单根检验(迪克-富勒(ADF)检验)通过,可以用一阶差分。然后可以计算自相关系数ACF和偏自相关系数PACF,确定p值和q值(但是通过观察截尾或者拖尾,有主管性,推荐用赤池信息准则或者贝叶斯准则,采取网格搜索,确定最优的p和q,然后建模)。
还有一种方法,将原序列拆分为趋势序列,残差序列,针对每个序列再做差分,最后建模。
01、AR模型
AR是自回归模型,自回归即自己的当前值和自身的历史数据做回归。当前值是自己前一天、前p天的值作用的结果。
p阶自回归过程定义公式:
参数说明:
p:阶数,当前值用前p期数据预测
xt:当前值
μ:是常数项
μt:扰动项/误差项(服从独立同分布),如果是μt白噪声(期望为0,方差为1),则AR为纯p阶自回归序列。
【注意】:
①自回归模型必须满足平稳性要求。
②自相关要求有相关性,如果相关系数小于0.5,认为相关性不大,不宜使用。
③自回归模型首先要确定一个阶数p,表示用前几期的历史预测当前值。
④平稳性要求序列的均值和方差不发生变化
02、MA移动平均模型
在AR模型中,不是白噪声,通常认为是一个q阶移动平均,即:
【注意】:
①移动平均模型关注的是自回归模型AR误差的累计影响。
②移动平均能有效消除预测中的随机波动。
03、ARIMA差分自回归移动平均模型
ARIMA(p,d,q)模型全称差分自回归移动平均模型,是AR(p)和MA(q)的结合,得到一个一般的自回归移动平均模型:
参数说明:
d是时间序列转化平稳序列是的差分阶数
AR是自回归,p是自回归阶数
MA是移动回归,q是移动回归阶数。
注意:
①一个随机时间序列可以通过一个自回归移动平均模型来表示,即序列可以由自身的过去或者滞后项以及随机扰动项来解释。
②如果该序列平稳,即他的行为并不会随时间的推移而变化,这样我们就可以通过该序列的过去行为预测未来。
2. 时间序列-单整、趋势平稳和差分平稳
现实经济生活中:
一些非平稳的经济时间序列往往表现出共同的变化趋势 ,而这些序列间本身不一定有直接的关联关系, 这时对这些数据进行回归,尽管有较高的R 2 ,但结果是没有任何实际意义的。这种现象称之为虚假回归或伪回归。
为了避免这种虚假回归的产生, 通常的做法是引入作为趋势变量的时间 ,这样包含有时间趋势变量的回归,可以消除这种趋势性的影响。然而这种做法, 只有当趋势性变量是确定性的而非随机性的,才会是有效的。换言之, 如果一个包含有某种确定性趋势的非平稳时间序列,可以通过引入表示这一确定性趋势的趋势变量,而将确定性趋势分离出来。
参考资料: 时间序列的平稳性及其检验