Пред.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
3b. Типы эмпирических временных рядовТрудно классифицировать все наблюдаемые временные ряды, поэтому ограничимся лишь несколькими классами временных рядов. 3b.1. Псевдопериодические ряды без видимого «роста».Рассмотрим эмпирические ряды, такие как годичное число солнечных пятен
Рис. 3Ь.1.1. Годичные данные о числе солнечных пятен. (Числа Вольфера; ряд Периодограмма должна дать острый пик на частоте Класс 1. Слабостационарные процессы, описываемые моделями AR или ARMA со сплошными и несплошными составляющими AR такими, что полином Класс 2. Ковариационно-стационарные процессы, описываемые моделями AR или ARMA с детерминированным трендом, содержащим синусоидальные составляющие частоты Класс Класс 4. Сезонные модели ARIMA с периодом Класс 1 известен также под названием процессов Слуцкого — Юла, так как они были первыми исследователями, показавшими, что стохастические последовательности могут иметь систематические колебания, не включая в явном виде синусоидальных составляющих. Мы полностью исключили класс детерминированных моделей, содержащих комбинации синусоид, по причинам, приведенным в
Рис. 3b.1.2. Годичные данные об отлрве канадской рыси (ряд
Рис. 3b.1.3. Месячные данные о расходе воды в реке Кришна у Виджаявады, Индия Мы должны построить наилучшие модели в каждом классе и сравнить их, прежде чем прийти к определенному заключению. В качестве иллюстрации были взяты ряды годичного числа солнечных пятен, отлова канадской рыси и месячного речного потока (река Кришна у Виджаявады в Индии). Фрагменты этих временных рядов показаны на рис. 3Ь.1.1, ЗЬ.1.2, ЗЬ.1.З соответственно. Заметим, что для того, чтобы их различить, не удается найти наглядных признаков. Найдено, что наилучшей моделью для ряда месячного речного потока является модель из класса 2, т. е. уравнение AR с синусоидальными членами соответствующей частоты. Подробности по этой модели даны в гл.
Найдено, что наилучшее значение 3b.2. Приближенно периодические ряды с ростом.Рассмотрим такие ряды, как месячный сбыт компании X, приведенный на рис. Класс 1. Ковариационно-стационарные процессы, описываемые уравнениями AR и ARMA с добавленными к ним функциями детерминированного тренда типа Класс 2. Сезонные модели ARIMA. Данным о сбыте лучше подходит модель из класса 1. Наиболее подходящая модель из класса 2 не очень хороша с точки зрения предсказания, как объяснено в гл. XI. Тем не менее, опираясь на столь малое число примеров, мы не можем делать общих выводов об относительных достоинствах сезонных ARIMA-моделей по сравнению с ковариационно-стационарными моделями. 3b.3. Временные ряды с ростом, но без периодической или почти периодической компоненты.Рассмотрим временные ряды, обнаруживающие рост или убывание, но не содержащие периодических или почти периодических колебаний. Примерами являются ряд Класс 1. IAR-, IMA- или ARIMA-уравнения, не содержащие постоянного члена. Класс 2. IAR-, IMA- или ARIMA-уравнения с постоянным членом Класс 3. AR-, MA- или ARMA-уравнения с детерминированным трендом, содержащим члены вида Модели из класса 1 полезны для представления рядов, где рост не очень велик, как в случае данных о ценах акций фирмы IBM. В противном случае приходится пользоваться моделями из класса 2 или 3. Напомним, что если модель принадлежит классу 2, то ее можно представить как сумму
Рис. 3Ь.3.1. Ежедневные данные о биржевых ценах на акции фирмы IBM с 17 мая 1961 г. по 2 ноября 1962 г. (ряд
Рис. 3Ь.3.2. Ежеквартальные данные о валовом национальном продукте США (ряд Таким образом, линейный детерминированный тренд эффективно присутствует в моделях класса 2. В классе 3 допускается более широкое множество типов тренда. Типичными рядами, которые могут быть успешно описаны моделями класса 2, являются ряд годового валового национального продукта Некоторые ряды, такие как численность населения США и размер популяции американского журавля, растут экспоненциально. Можно попытаться описать их моделью класса 3 с экспоненциальным трендом. Часто (хотя и не всегда) соответствие моделей неудовлетворительное. В таких случаях можно прологарифмировать данные и взять для преобразованных данных модели из класса 2, например 3b.4. Ряды без периодической составляющей и роста.Рассмотрим временные ряды, такие как ряд Т1 (рис. 3b.4.1), являющийся рядом отсчетов температуры химического процесса, регистрируемой ежеминутно, или фонограмма речи Для представления таких рядов следует рассмотреть толыко два класса моделей. Класс 2. Класс AR-, МА- или ARMA-моделей. Класс 2. Класс IAR-, IMA- или ARIMA-моделей без постоянных членов. По внешнему виду ряда, описывающего звуковые волны речи, трудно подобрать подходящий класс моделей. Обычно сначала используют модели из класса 1. Если наилучшая модель из этого класса такова, что соответствующий полином Если процесс все же подчиняется IAR-уравнению, но мы стараемся аппроксимировать его AR-моделью, то точность оценок в AR-уравнении может быть относительно низкой. Этот факт установлен в гл. VII. Например, пусть процесс у описывается IAR-процессом первого порядка
который можно переписать в виде
(кликните для просмотра скана) где
Любая оценка параметров уравнения Рассмотрим далее относительную способность предсказания на 1 шаг вперед для двух классов моделей. Иногда лучшая модель класса 1 лучше всего соответствует процессу среди всех классов моделей.
Рис. 3b.4.3. Данные о концентрации в химическом процессе, снимаемые каждые два часа (ряд В других случаях наилучшей предсказывающей моделью может быть модель из класса 2 и, наконец, наиболее подходящие модели из обоих классов могут иметь одинаковое качество. Например, для ряда
|
1 |
Оглавление
|