基于BOX-Jenkins方法的青南高原降水量时间序列分析建模与预测

应用基于Box-Jenkins方法的时间序列分析技术,对青南高原的四个典型地区1961-2005年降水量序列进行ARMA建模分析:验证了四地区年降水量序列的时间序列特性,研究并选择了这些序列的最佳ARMA模型,本文也通过模型对未来降水量进行了预测.模型实证分析的结果表明:在青藏高原降水量时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

烟台地区降水量的AR IMA随机模型研究

采用自回归求积移动平均法(AR IM A),对烟台地区历年来的降水量动态数据进行了分析.结果显示,AR IM A(3,1,2)模型提供了较准确的预测效果,相对误差变化在0.21%~5.75%,可以用于未来的预测,并为烟台市降水量的预测提供了可靠依据.     

青岛港货运吞吐量的时间序列模型

运用时间序列分析方法对时间序列建立ARMA,ARIMA模型.搜集了青岛港1999年1月～2003年5月的货运吞吐量数据,对进行分析,建立了青岛港货运吞吐量的模型.通过预留的部分数据对模型进行检验,并对模型的残差进行检验,得出模型比较合理.     

基于时间序列分析方法的伊犁州GDP的预测研究

基于时间序列理论,以伊犁州1978年至2014年来生产总值为基础数据,利用Eviewes8.0软件对数据进行处理分析,并对模型进行显著性检验,综合各种条件确定最终时间序列回归模型,对伊犁州未来三年的生产总值做出预测,为伊犁州党委、政府制定相关经济政策和发展战略提供科学依据.     

时间序列分解预测法及周期因素的探讨

本文运用时间序列分解预测法，分析门诊人次的变动规律，预测了季度门诊人次。本法与移动平均比率预测法相比，预测精度提高３１％。本文还探讨了时间序列分解预测的周期因素等有关问题。     

我国外汇储备变动的时间序列建模预测

本文通过对我国最近十三年来的外汇储备月度数据进行分析,利用不同的建模思想建立了三次趋势模型、Holter-Winter非季节模型和AR IMA模型来分析短期内我国外汇储备的变动趋势。这三种模型对原始数据都能够较好的拟合,而且用于预测时的结果也相差不大,可以为短期内预测管理我国外汇储备提供有效参考。     

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。     

有限个状态时间序列的某些结果

Kedem,B.在1979年研究了一个零均值的平稳正态序列的谱分布的估计与在水平为零的硬判决而得的相应0—1序列的谱分布之间的关系.在1977年把Demoivre-Laplace定理推广到不独立的Bernoulli试验.文献[2]中提出了有限个状态的时间序列,对一维有限个状态的时间序列进行了分析.本文将前二个问题推广到有限个状态的时间序列,将后一问题推广到多维的情形.     

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.     

基于混沌的三江平原月降水时间序列分析

三江平原是我国最大的淡水沼泽区,近年来降水的减少是导致湿地减少的一个重要的自然因素.别拉洪河是三江平原上比较有代表性的沼泽性河流.以别拉洪水文站的降水序列为例,通过相空间重构,分别计算了序列的关联维、最大Lyapunov指数以及Kolmogorov熵等几个序列特征量.计算表明:三江平原月降水序列中是存在明显的混沌特征的,这为以后建立三江平原月降水的混沌预测模型提供了理论依据.     

红塔系列香烟月均价格的时间序列分析

本文利用时间序列的方法,对带有删失数据的红塔烟草系列的月度平均价格进行了统计分析。得到了一定置信水平下的时间序列模型。为进一步的定性分析提供了模型基础。     

我国人口时间序列拟合模型的比较与选择

通过对我国1990年至2007年共18年的人口数据进行实证分析,运用时间序列的三个不同模型,对我国人口的变化规律进行了拟合研究;并给出了反映各个模型拟合精度的AIC值和SBC值;最后,通过对所建模型的比较分析,对拟合模型的选择提出了相关建议.     

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.     

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.     

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。     

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.     

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.