《应用时间序列分析：R软件陪同》——2.6 MA 模型

1.5 习题 1.从网上下载R软件. 2.在联网的情况下,打开R,点击"帮助-CRAN主页-Packages"看看今天有多少可供使用的程序包(package),再点击按照时间顺序排列的程序包列表,看看今天又增加了多少新程序包(包括更新的). 3.在联网的情况下,打开R,点击"帮助-CRAN主页-TaskViews"看看有多少你感兴趣的领域或方向,再点击你感兴趣的领域,看看有多少软件包可用. 4.在R中(不必要联网),通过语句?lm来看线性模型(linearmodel

前言 首先,一些教材偏重于数学理论和推导.作者多为数学出身,他们习惯于数学的严格性和导出精确而又漂亮的数学结论.这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者. 其次,国内教材中一元时间序列往往占绝大部分篇幅,而且包含在各种数学假定下的各种定理和结果.这是因为一元时间序列的数学描述确实很漂亮,很多结果都能够以比较简洁的数学语言表达出来.而多元时间序列则很不一样,在一元情况下很漂亮的结果,在多元情况下就完全不同了.在数学上,复杂的表达是不被人们所喜爱的,因此,多元时间序列很难在数学味道

第1章 引言 1.1 时间序列的特点 本书研究的时间序列主要是根据时间先后对同样的对象按等间隔时间收集的数据,比如每日的平均气温.每天的销售额.每月的降水量.每秒钟容器的压力等等.虽然这些序列所描述的对象本身(比如容器压力)可能是连续的,但由于观测值并不连续,这种时间序列数据称为离散(discrete)时间序列.当然也有连续(continuous)时间序列,它是不间断地取值得到的时间序列,比如地震波和一些状态控制(比如月球车是否苏醒的用1-0表示的状态)的连续观测值,但对象不一定是连续的(比如0

1.4 本书的内容 本书着重于通过现有的数学模型对真实数据进行分析.这就需要针对有各种特点的时间序列引进各种数学模型.人们不可能证明真实的时间序列会满足某个数学模型的数学假定,各种模型中所有的关于数据的数学假定仅仅是人们头脑中对真实现象的某种近似,这些近似和实际问题的差距是永远不可能知道的,正如所有科学理论仅仅是对未知真理的近似一样.因此,对于一个时间序列会有多种模型可以拟合,结果也不尽相同,这是很正常的.此外,因为每个模型都是试图描述时间序列的某个或某些方面,因此,根据不同的目的,模型的选择也

1.2 时间序列例子 例1.1 美国年度经济数据(sf.csv).该数据来自Fisher(1994). .该数据的变量为DATE(相应于年末).PRICEIND(1900-1938年道琼斯工业及交通运输指数,拼接到1939-1985年的纽约证交所综合指数).PREMIUM(每年美国股票溢价).USVEL2(纽约证交所成交率)和GROWTH(美国工业生产增长指数).图1.1为该序列的点图.该图是用下面语句生成的: 这是一组经济时间序列,Fisher(1994)研究了这些序列之间的关系.PRI-CE

第2章 一元时间序列的基本概念和模型 本章介绍时间序列的概念.模型及一些方法,不涉及具体的真实时间序列,但体现了人们用数学语言来描述现实世界的努力.任何时间序列的模型都试图近似地描述一些真实的时间序列.当然它们都不等同于实际的序列.本章要介绍的一些模型反映了人们所掌握的数学手段,但并不一定反映人们可能面对的现实世界.这些模型的定义都含有各种在实践中无法验证的假定.实际上,这些模型仅仅是人们所发明的各种数学模型的一部分.读者们肯定明白,数学模型的复杂性不一定与其实用性成正比.

R语言时间序列分析之ARIMA模型预测   今天学习ARIMA预测时间序列.  指数平滑法对于预测来说是非常有帮助的而且它对时间序列上面连续的值之间相关性没有要求.但是如果你想使用指数平滑法计算出预测区间 那么预测误差必须是不相关的 而且必须是服从零均值. 方差不变的正态分布.即使指数平滑法对时间序列连续数值之间相关性没有要求在某种情况下 我们可以通过考虑数据之间的相关性来创建更好的预测模型.自回归移动平均模型 ARIMA 包含一个确定explicit 的统计模型用于处理时间序列的不规则部分它也