时间序列与时空序列的建模

本文介绍了作者和他的博士研究生于近五年内,在时间序列与时空序列的统计建模方面所完成的研究工作。文章包含两个部分:第一部分将给出平稳与非平稳的ARMA模型(包括平稳ARMA,ARUMA与一般ARMA模型)的阶与参数估计的新结果,我们假设模型的噪声项满足鞅差条件,这比要求它们是i.i.d要弱,而且合理。第二部分给出了二维ARMA模型的谱鉴别,对于一类特殊的二维AR模型(即所谓的象限马氏模型,它们恰好就是熟知的一维马氏AR模型在二维情形的相配模型。)给出了它的阶与参数的强相合估计与重对数收敛速度。     

《时间序列分析:预测与控制》

原著名:TimesSeriesAnalysis:ForecastingandControl(ThirdEdition)原著作者:[美]GeorgeE.P.Box[英]GwilymM.Jenkins[美]GregoryC.Reinsel主译人员:顾岚校译人员:范金城书评:看摆在面前的这本书,由中国统计出版社出版的现代外国统计学优秀著作译丛:“时间序列分析——预测与控制”,我深深地被打动了。虽然,我没有可能见过该书的作者,也没有可能亲耳聆听几位统计学大家的教诲,但看到翻译的这本书,如同听到了他们娓娓的阐述,仿佛看到了他们在形象地演示。时间序列分析,有那么多不易理解的名词概念,有那么多复杂、纷繁的公式,一般人看起…     

基于动力学视角的经济时间序列分析

基于1978~2014年中国教育发展水平、就业人数与实际资本存量的数据,应用动力学原理建立模型,讨论了模型均衡解的稳定性,同时分析了该经济系统受到外部扰动时的动力学行为.研究结果表明,外部扰动产生的系统混沌效应会影响经济系统的正常运行,从而管理者有必要对经济系统提出有效的应对策略.因此,基于动力学原理,本文为时间序列动力学特征的微观刻画提供了一个视角.     

中国磁浮轨道交通技术的专利申请统计与分析

中国在磁浮轨道交通技术领域的技术研发活跃度高,专利数量较多.通过从中国专利发明公开数据库、中国专利实用新型库和中国专利外观设计库采集到的关于1985年4月1日至2018年12月15日的相关数据,分析归纳了中国磁浮轨道交通技术的专利申请类型、技术分布及主要研发机构的专利分布和专利发展趋势.     

关于时间序列分析的注记

本文讨论了时间序列分析中几个值得注意的问题 ;1自相关函数的意义 ,2趋势外推法预测中置信区间校正系数的计算 .     

基于R/S分析的专利申请量年增长率的相关性研究

Hurst指数是描述分数布朗运动的重要指标.利用R/S分析方法计算出我国专利申请量年增长率的Hurst指数稳定在0.62附近,分形维数稳定在1.38附近.表明我国专利申请量年增长率时间序列,服从分数布朗运动,专利申请量年增长率具有长期相关性.历史数据的影响力随时间间隔的长度增长而缩小,当间隔长度达到10年以上时,历史数据的影响力趋于稳定.     

股票指数的时间序列模型分析

借助于SA S软件将工程中的K a lm an滤波方法与时间序列的状态空间模型结合对上海A股指数进行了拟合与预测分析,通过对拟合与预测误差的计算可以发现这种模型是可行的;然后还把与滤波结合的状态空间模型的分析结果和常见的时间序列模型如:AR IM A模型、逐步自回归模型以及指数平滑模型的分析结果进行比较,比较的结果说明结合滤波的状态空间模型分析的结果比后三种的结果更加精确.结果为时间序列数据分析提供了一个较好的分析工具.     

事件对国际石油价格影响的时间序列分析

用近来经济分析中应用较多的现代时间序列分析方法 ,以虚拟变量描述突发事件 ,用 ARMAX模型分析事件对国际原油价格的影响 ,并对今年海湾战争后原油价格的趋势进行预测     

时间序列中自相关与偏相关函数分析

相关函数表现出时间序列中任意两个值之间的相关性是如何随着时间间隔而改变的.自相关函数刻画了时间序列相邻变量之间的相关性,偏相关函数则是排除了其它中间变量的影响,真实地反映两个变量之间的相关性,并且二者紧密相连.同时两个相关图所反映的信息在时间序列分析各个方面发挥着关键作用.     

增长型经济变量的趋势时间序列预测模型

针对增长型外汇储备时间序列变化复杂性的特点,可以建立确定性趋势的时间序列模型及包含单位根的随机趋势模型.实际计算显示,确定性趋势的时间序列模型具有较高的预测精度.     

时序多指标决策及其在证券投资中的应用

对于带有时间顺序的动态多指标决策问题,我们从专家偏好和信息熵两方面综合确定了指标权重,进而在关联分析的基础上,建立了时序多指标决策综合优化模型,并将其应用于证券投资领域.     

时间序列预测模型研究综述

介绍了时间序列预测模型的产生和发展,呈现了时间序列模型研究方向的理论、方法和应用,并就未来的发展势态进行了初步的探讨.     

The Application of Kernel Smoothing to Time Series Data

There are already a lot of models to fit a set of stationary time series, such as AR, MA, and ARMA models. For the non-stationary data, an ARIMA or seasonal ARIMA models can be used to fit the given data. Moreover, there are also many statistical softwares that can be used to build a stationary or non-stationary time series model for a given set of time series data, such as SAS, SPLUS, etc. However, some statistical softwares wouldn＇t work well for small samples with or without missing data, especially for small time series data with seasonal trend. A nonparametric smoothing technique to build a forecasting model for a given small seasonal time series data is carried out in this paper. And then, both the method provided in this paper and that in SAS package are applied to the modeling of international airline passengers data respectively, the comparisons between the two methods are done afterwards. The results of the comparison show us the method provided in this paper has superiority over SAS＇s method.     

基于主成分分析的单变量时间序列聚类方法

针对时间序列数据的高维特性,在进行理论分析的基础上,利用主成分分析法提出了一种单变量时间序列数据降维的新方法,进而提出了基于主成分分析的单变量时间序列聚类方法。其主要思想是在线性空间中的同一组基下,用系数之间的相似性来刻画对应时间序列之间相似性,在理论分析过程中,首先对单变量时间序列数据集进行主成分分析,其次分析了单变量时间序列数据集、样本协方差矩阵的特征向量与主成分之间的关系,并证明了由主成分构成的向量组线性无关。为了进一步验证理论分析结果的正确性和所提算法的有效性,分别利用仿真数据和真实的股票数据进行了数值实验。     

Web Quantlets for Time Series Analysis

New and advanced methods for nonlinear time series analysis are in general not available in standard software packages. Their implementation requires substantial time, computing power as well as programming skills. In time series analysis such a scenario is given by a recently suggested nonparametric lag selection procedure for univariate nonlinear autoregressive models which is based on the Corrected Asymptotic Final Prediction Error. In this paper we suggest a worldwide Web based specific client/server architecture that provides empirical researchers with fast access to new methods and powerful computing environments without knowing the statistical computing language and the server location. This architecture is implemented using the XploRe Quantlet technology and illustrated for nonparametric lag selection. Access to the Quantlet computing service can be obtained via standard WWW browsers or a Java client. The XploRe Quantlet service can be helpful in constructing research books and interactive teaching environments as the electronic version of this paper, available from http://ise.wiwi.hu-berlin.de/rolf/webquant.pdf, demonstrates.     

南通地区月降水量时间序列分析

根据南通地区1989年-2005年月降水量数据,在统计检验其平稳性、纯随机性的基础上,结合谱分析,建立该地区具有季节效应的疏系数ARIMA月降水量时间序列模型,对模型作了拟合预测检验.研究表明,多个模型的联合使用比单一模型更利于准确拟合预测.     

A Combinatorial Approach to Piecewise Linear Time Series Analysis

Over recent years, several nonlinear time series models have been proposed in the literature. One model that has found a large number of successful applications is the threshold autoregressive model (TAR). The TAR model is a piecewise linear process whose central idea is to change the parameters of a linear autoregressive model according to the value of an observable variable, called the threshold variable. If this variable is a lagged value of the time series, the model is called a self-exciting threshold autoregressive (SETAR) model. In this article, we propose a heuristic to estimate a more general SETAR model, where the thresholds are multivariate. We formulate the task of finding multivariate thresholds as a combinatorial optimization problem. We develop an algorithm based on a greedy randomized adaptive search procedure (GRASP) to solve the problem. GRASP is an iterative randomized sampling technique that has been shown to quickly produce good quality solutions for a wide variety of optimization problems. The proposed model performs well on both simulated and real data.     

小波变换在期货价格序贯相关分析中的应用

针对金融时间序列普遍具有非平稳、自相关等特点,通常建立ARIMA模型进行识别.但模型的构建中,常受到一些随机扰动的影响,使模型拟合的误差增大.文章试将小波分析良好的局部性与ARIMA模型的简捷实用相结合,采用基于小波分析的累积式自回归滑动平均方法(WARIMA)拟合模型中的序贯相关,实证分析得出,WARIMA模型显著降低了拟合误差.