Пред.
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
|