楼主: 耕耘使者
17818 6

[学科前沿] sarima模型的预测公式是什么? [推广有奖]

贵宾

学术权威

39%

还不是VIP/贵宾

-

威望
4
论坛币
1812872 个
通用积分
148.3346
学术水平
109 点
热心指数
173 点
信用等级
87 点
经验
93391 点
帖子
4549
精华
0
在线时间
2846 小时
注册时间
2006-4-6
最后登录
2024-10-1

200论坛币
sarima模型是指带季节差分的arima模型,但回归方程怎么写?又是怎么预测的?对我一直是个谜,希望高人指点迷津。
案例代码:
  1. library(forecast)
  2. fit=auto.arima(co2)
  3. fit
  4. forecast(fit,h=3)
复制代码
结果:
TT截图未命名.jpg
co2的最后一年的真实数据是:
TT截图未命名.jpg
期待高人,谢谢!
如果您电脑上没有安装forecast包,可以调用下面代码:
  1. fit=arima(co2,order=c(1,1,1),list(order=c(1,1,2),period=12))
  2. fit
  3. predict(fit,n.ahead=3)
复制代码

最佳答案

mymei 查看完整内容

老师不敢当,我也是自己瞎折腾的,好多地方也不是很清楚。借着你的帖子一起交流。 你少数了在你图上看不到的第6条线,应该有第12阶的自相关。平稳并不表明自相关就不存在了。因为弱平稳只需要满足平均值函数是常数,自相关函数只与时滞有关。 季节性的情况其实可以与没有季节性的arima类比。比如做arima的时候先差分,差分后的时间序列根据自相关性定出arma(p,q)的p,q值,也就对应原来的arima(p,1,q)。假如差分后没有任何自相 ...
关键词:SARIMA模型 ARIMA模型 sarima ARIMA MA模型 模型
沙发
mymei 发表于 2014-8-1 22:23:05 |只看作者 |坛友微信交流群
耕耘使者 发表于 2014-8-2 13:23
做z(t)的自相关图,代码:

结果:
老师不敢当,我也是自己瞎折腾的,好多地方也不是很清楚。借着你的帖子一起交流。

你少数了在你图上看不到的第6条线,应该有第12阶的自相关。平稳并不表明自相关就不存在了。因为弱平稳只需要满足平均值函数是常数,自相关函数只与时滞有关。
季节性的情况其实可以与没有季节性的arima类比。比如做arima的时候先差分,差分后的时间序列根据自相关性定出arma(p,q)的p,q值,也就对应原来的arima(p,1,q)。假如差分后没有任何自相关性,那么就变成arima(0,1,0)了。存在季节性的情况其实也是一样,只是看时滞的时候要一个周期一个周期地看。

不过确定阶数确实是个重要的问题,我不知道你的方法里是以什么为依据的。
如果是我自己分析的话,会对zt同时画acf和pacf图:
  1. library(astsa)
  2. acf2(zt)
复制代码
Fig 1.png

先看季节的成分。由于pacf图在第1和第2个周期都有自相关,可能会选(2,0,0)[12];看acf图的话,可能也会选(0,0,1)[12];还可能选(1,0,1)[12]、(2,0,1)[12]、(1,0,2)[12]、(2,0,2)[12]等。

看完季节性的成分后看更短时间上的自相关性。根据这两个图我可能会用(1,0,0)、(3,0,0)、(0,0,1)、(0,0,3)、(1,0,1)、(3,0,3)等。

然后进行组合构建各个模型。再根据BIC、AIC值或者实际情况来选择模型。
然后对选出来的模型进行诊断,看是否还需要修改。

也会再看看把各个阶数加1或减1后对模型的行为有何影响。

已有 1 人评分学术水平 热心指数 信用等级 收起 理由
耕耘使者 + 2 + 2 + 1 精彩帖子

总评分: 学术水平 + 2  热心指数 + 2  信用等级 + 1   查看全部评分

使用道具

藤椅
mymei 发表于 2014-8-2 08:59:57 |只看作者 |坛友微信交流群
假设co2的时间序列为x[t].
y[t]=x[t]-x[t-1]
z[t]=y[t]-y[t-12]
z[t]=a1*z[t-1]+w[t]+b1*w[t-1]+c1*z[t-12]+d1*w[t-12]+d2*w[t-24]
其中w是误差项。
预测时候也是套用这几个式子,只是先预测z[t],再返回去预测y[t]和x[t]。
比如预测下一个z[t+1]时,公式变成了
z[t+1]=a1*z[t]+w[t+1]+b1*w[t]+c1*z[t-11]+d1*w[t-11]+d2*w[t-23]
其中w[t+1]=0,其他项都是已知的。

已有 1 人评分学术水平 热心指数 信用等级 收起 理由
耕耘使者 + 2 + 2 + 1 热心帮助其他会员

总评分: 学术水平 + 2  热心指数 + 2  信用等级 + 1   查看全部评分

使用道具

板凳
耕耘使者 发表于 2014-8-2 13:23:27 |只看作者 |坛友微信交流群

RE: sarima模型的预测公式是什么?

mymei 发表于 2014-8-2 08:59
假设co2的时间序列为x[t].
y[t]=x[t]-x[t-1]
z[t]=y[t]-y[t-12]
做z(t)的自相关图,代码:
  1. xt=co2
  2. yt=diff(xt)
  3. zt=diff(yt,12)
  4. acf(zt)
复制代码

结果:
TT截图未命名.jpg
这使我大惑不解,做了12步差分,就是为了消除季节导致的不平稳。怎么仍然存在好像是11阶自相关呢?
又用auto.arima(co2),自动定阶的结果仍是ARIMA(1,1,1)(1,1,2)[12] ,这该怎么解释呢?
麻烦mymei老师了!

使用道具

报纸
耕耘使者 发表于 2014-8-3 00:08:04 |只看作者 |坛友微信交流群
mymei 发表于 2014-8-2 14:14
老师不敢当,我也是自己瞎折腾的,好多地方也不是很清楚。借着你的帖子一起交流。

你少数了在你图上看 ...
"平稳并不表明自相关就不存在了。因为弱平稳只需要满足平均值函数是常数,自相关函数只与时滞有关。"
您的话完全解开了我的困惑,准确地说,是纠正了我的一个错误观念:认为有季节趋势就不平稳了。还有,就是自相关图上有较长期上突出虚线的,就认为不平稳了。其实,这两个想法都是错误的。
我和学生说过:通过自相关图和偏自相关图可以判断平稳性,若短期相关,长期不相关,就是平稳序列。短期不相关,长期不相关,也是平稳(特殊的平稳)序列,白噪声序列。
按照这句话:长期相关了呢?就应该不平稳了。比如季节性特征的序列,第12阶,24阶,当然属于长期了。
所以,错的根源是我的一个认识:“长期相关,就是不平稳。”
澄清自己的基本错误,是非常愉快的事,感谢您给我带来的知识和愉快!

使用道具

地板
gfzt 发表于 2017-5-13 13:08:00 |只看作者 |坛友微信交流群
mymei 发表于 2014-8-1 22:23
老师不敢当,我也是自己瞎折腾的,好多地方也不是很清楚。借着你的帖子一起交流。

你少数了在你图上看 ...
能不能看清问题再回答?

使用道具

7
13943602684 发表于 2021-5-18 09:00:57 |只看作者 |坛友微信交流群
耕耘使者 发表于 2014-8-2 13:23
做z(t)的自相关图,代码:

结果:
您好,请问可以请教一下这个的模型的表达式应该怎么写出来吗

使用道具

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
加好友,备注cda
拉您进交流群

京ICP备16021002-2号 京B2-20170662号 京公网安备 11010802022788号 论坛法律顾问:王进律师 知识产权保护声明   免责及隐私声明

GMT+8, 2024-11-5 12:37