毕业设计的实用模型(二)-时间序列的SARIMA...

时间序列的SARIMA

00简介

在毕业实践统计模型(一)-时间序列)中,介绍了一般的时间序列建模思想,主要介绍了ARMA模型和R语言的实现。但是,还会遇到其他一些模型在实际应用中毕业设计模型,ARIMA,SARIMA以及从pq到pdq到pdqPDQS的模型参数也将变得更加复杂本文主要使用R语言生成符合这三个模型的随机数,以进行建模预测。操作。

在编写模型之前,我将介绍一个很好的时间序列摘要链接(请参见参考文献[2])。

1、三个模型之间的区别

常用时间序列模型在下表中给出。

模型适用的数据参数

ar

自回归模型(固定数据)

p

ma

移动平均模型(固定数据)

q

武器

自回归移动平均模型(固定数据)

(p,q)

arima

增加了差异(具有趋势的不稳定数据)

(p,d,q)

sarima

添加了季节性因素(具有趋势周期的不稳定数据)

(pLB彩票网站 ,d毕业设计模型,q)(P亚博登录主页 ,D,Q)[s]

2、数据模拟

本节使用数据模拟来构建以上三个模型。以下是运行代码,自行安装和加载所需的软件包。

# 载入所需包
library(tseries)  
library(zoo)
library(forecast)

2. 1arma

# 构造数据
> ts1 <- arima.sim(n = 100,list(ar = c(0.8, -0.5), ma = c(0.2, 0.5)))
# 建模
> (fit <- auto.arima(ts1, ic = "aic"))
Series: ts1 
ARIMA(2,0,2) with zero mean 
Coefficients:
         ar1      ar2     ma1     ma2
      0.7477  -0.4414  0.1682  0.5319
s.e.  0.1611   0.1354  0.1471  0.1227
sigma^2 estimated as 0.9337:  log likelihood=-137.19
AIC=284.37   AICc=285.01   BIC=297.4
> x.fore <- forecast(fit, h = 10)
> plot(x.fore)

看看模型的预测效果:

2. 2arima

首先查看固定趋势:

> (fit <- auto.arima((1:100)^2, ic = "aic"))
Series: (1:100)^2 
ARIMA(0,2,0) 
sigma^2 estimated as 4:  log likelihood=-206.98
AIC=415.97   AICc=416.01   BIC=418.55
> x.fore <- forecast(fit, h = 10)
> plot(x.fore)

效果:

再次查看由函数过滤器和数据主席构成的时间序列。

> ts2 <- filter(presidents, rep(1, 3))
> plot.ts(ts2)
> (fit <- auto.arima(ts2, ic = "aic"))
Series: ts2 
ARIMA(3,0,2) with non-zero mean 
Coefficients:
         ar1     ar2      ar3     ma1     ma2      mean
      0.6180  0.4213  -0.2307  1.1205  0.9496  169.2646
s.e.  0.1051  0.1156   0.1039  0.0700  0.0672   13.2637
sigma^2 estimated as 91.77:  log likelihood=-400.08
AIC=814.15   AICc=815.18   BIC=833.49
> x.fore <- forecast(fit, h = 10)
> plot(x.fore)

看看下面的效果:

2. 3sarima

在这里manbetx体育 ,我们添加了季节性因素。注意数据的结构。如果不使用ts函数包装,则无法构建此模型。

先构造数据
> ts3 <- rep(1:4, time = 25) + rnorm(4*25, 0, 0.1)
> ts3 <- ts(ts3, frequency = 4)
> plot(ts3, type = "l")

建模以下内容:

> (fit <- auto.arima(ts3, ic = "aic", max.P = 5, max.Q = 5))
Series: ts3 
ARIMA(0,0,0)(4,1,0)[4] 
Coefficients:
         sar1     sar2     sar3     sar4
      -0.6396  -0.5746  -0.4950  -0.3314
s.e.   0.1026   0.1256   0.1219   0.1086
sigma^2 estimated as 0.01478:  log likelihood=65.96
AIC=-121.91   AICc=-121.25   BIC=-109.09
> x.fore <- forecast(fit, h = 10)
> plot(x.fore)

3、摘要

在使用过程中,希望您能仔细识别数据并选择合适的模型。

4、参考

上一篇 哪些公司提供3D打印毕业设计模型?
QQ咨询
在线咨询
电话咨询