【时间序列分析】请大家帮忙根据这个ACF与PACF图确定一下阶数

48801

收藏 2015-04-14

因为是月度降水量数据，小弟打算建立非平稳季节ARIMA模型，原始数据经KPSS与ADF检验都证明是平稳的，没有趋势。经一阶季节差分后也去除了季节因素。下面是经过季节差分后的数据画出的ACF与PACF图，大神帮忙看一下p,q,P,Q个应该是多少？

还有经季节差分后数据画出了BIC图，不知是否有用

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

renniw/wo

2015-4-14 10:01:05

求大神帮忙

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 10:51:43

{:3_60:}{:3_60:}{:3_60:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 11:06:05

还存在明显的季节因素

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 11:11:46

nuomin 发表于 2015-4-14 11:06
还存在明显的季节因素

请问是怎么看出来的？我是小白，请示下

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 11:23:07

nuomin 发表于 2015-4-14 11:06
还存在明显的季节因素

另外您的意思是再做一次季节差分，然后再看ACF与PACF图么？求指点{:3_60:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

renniw/wo

2015-4-14 11:37:08

nuomin 发表于 2015-4-14 11:06
还存在明显的季节因素

我又做了一次季节差分，相当于对原始数据进行了两次季节差分，第二次季节差分后的ACF图与PACF图似乎与只做一次季节差分后的ACF图与PACF图差别不大，几乎一模一样？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 12:46:40

因为PACF在12、24、36期都超过下控制限，存在季节因素。在11、13、23、25、35、37期也超过上控制限，因此可能存在一阶自回归或移动平均（移动平均的可能性大一些）。所以建模成\[SARIMA(0,0,1)(0,1,1)_{12}\]
会好一些。估计后看看误差项不严重的话就可以用了。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

harpbreeze

2015-4-14 15:14:58

楼上是季节乘积模型吗？

为什么不对差分后的序列先进行稀疏模型AR(1,12)或者MA(1,12)，
再或者ARMA(1,12)(1,12)

这些模型残差都不通过白噪再试试看乘积模型。。

新手，请赐教。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 17:06:20

nuomin 发表于 2015-4-14 12:46
因为PACF在12、24、36期都超过下控制限，存在季节因素。在11、13、23、25、35、37期也超过上控制限，因此可 ...

您说的这个SARIMA模型是针对一阶季节差分后的数据说的还是原始数据？一阶差分后的吧？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 17:12:15

harpbreeze 发表于 2015-4-14 15:14
楼上是季节乘积模型吗？

为什么不对差分后的序列先进行稀疏模型AR(1,12)或者MA(1,12)，

我也是新手。。
什么是稀疏模型？AR与MA模型不是都只有一个参数么，怎么会出现AR（p，q）这种形式？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

harpbreeze

2015-4-14 17:30:37

书上的说法叫”疏系数模型“,原谅我说得不准确。

比如AR(1,12)，就是只有第一个延迟项和第十二个延迟项的系数，其他的中间的2-11项系数为零。
见截图
来自[应用时间序列分析].王燕.中国人名大学.第三版，P149-P150

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 19:10:13

nuomin 发表于 2015-4-14 12:46
因为PACF在12、24、36期都超过下控制限，存在季节因素。在11、13、23、25、35、37期也超过上控制限，因此可 ...

我把经一次季节差分的数据按你说的模型试了一下，残差通不过检验

{:4_207:}，aic值达到4763了……您看看残差图

shapiro wilk检验

附件列表

sw_test.png

原图尺寸 106.7 KB

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 19:12:27

renniw/wo 发表于 2015-4-14 17:06
您说的这个SARIMA模型是针对一阶季节差分后的数据说的还是原始数据？一阶差分后的吧？

对原序列做成
\[SARIMA(0,0,1)(0,2,1)_{12}\]

我忽然想到这不是经济时间序列。经济学里二阶的季节查分还要寻找解释，其他专业的我也不懂，按数据建模。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 19:19:13

renniw/wo 发表于 2015-4-14 19:10
我把经一次季节差分的数据按你说的模型试了一下，残差通不过检验，aic值达到4763了…… ...

ts(...,freqeuncy=12)
对模型残差做个一Ljung--Box检验
Box.test（residuals（result））
看看结果

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 19:23:54

nuomin 发表于 2015-4-14 19:19
ts(...,freqeuncy=12)
对模型残差做个一Ljung--Box检验
Box.test（residuals（result））

好的请稍等我做一下

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 19:32:38

nuomin 发表于 2015-4-14 19:19
ts(...,freqeuncy=12)
对模型残差做个一Ljung--Box检验
Box.test（residuals（result））

我按您提供的思路做了，滞后是1的话，残差的Ljung--Box的P值是0.9599，这应该能说明残差是白噪声了？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 19:48:20

nuomin 发表于 2015-4-14 19:19
ts(...,freqeuncy=12)
对模型残差做个一Ljung--Box检验
Box.test（residuals（result））

为什么shapiro wilk检验这里会失效了呢？是不是因为样本太多了？我的原始数据有600个{:3_60:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 20:35:47

nuomin 发表于 2015-4-14 12:46
因为PACF在12、24、36期都超过下控制限，存在季节因素。在11、13、23、25、35、37期也超过上控制限，因此可 ...

这是经两次季节差分后画出的PACF图，貌似与一次季节差分后的结果区别不大吧？

如果只进行一次差分，建立SARIMA（0,0,1）（0,1,1）{12}模型，残差的ljung box检验也有0.95了。
综上，这是什么情况？该怎么办{:3_60:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

harpbreeze

2015-4-14 20:54:25

我也照着做一下，学习学习~

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 21:01:25

renniw/wo 发表于 2015-4-14 19:48
为什么shapiro wilk检验这里会失效了呢？是不是因为样本太多了？我的原始数据有600个

按国标，正态性检验是这两个

复制代码

如果用OLS，正态性通不过可以绕过去

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 21:08:53

renniw/wo 发表于 2015-4-14 20:35
这是经两次季节差分后画出的PACF图，貌似与一次季节差分后的结果区别不大吧？

如果只进行一次差分，建 ...

看看你数据整理过程是怎么做的？

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 21:10:59

nuomin 发表于 2015-4-14 21:01
按国标，正态性检验是这两个如果用OLS，正态性通不过可以绕过去

可是我用的是ML，行吗{:3_57:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 21:15:23

nuomin 发表于 2015-4-14 21:08
看看你数据整理过程是怎么做的？

rain<-ts(rain,start=c(1964,1),freq=12) #把最原始数据转化为ts数据
pacf(as.vector(diff(rain,lag=12)),lag.max=60)#一次季节差分后的PACF图
r_rain<-diff(rain,lag=12)
pacf(as.vector(diff(r_rain,lag=12)),lag.max=60)#两次季节差分的PACF图
这样合适吗{:3_60:}{:3_60:}{:3_60:}

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-14 21:19:16

renniw/wo 发表于 2015-4-14 21:15
rain

把数据贴出来，我看看

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-14 21:31:28

nuomin 发表于 2015-4-14 21:19
把数据贴出来，我看看

这个是老师给的最原始的数据（只调查月度数据，忽略“全年”）
这个是我把转化好的时间序列数据

附件列表

rain.txt

大小:6.24 KB

马上下载

precipitation_by_month.xls

大小:26.5 KB

马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-15 00:11:42

renniw/wo 发表于 2015-4-14 21:31
这个是老师给的最原始的数据（只调查月度数据，忽略“全年”）
这个是我把转化好的时间序列数据

数据似乎需要做一些除季节差分以外的转换后才会季节平稳。季节可以做一阶差分，但是不能做2阶差分。原数据分布有严重的右偏，原数据加1取对数之后的季节建模结果也可以用。
根据原数据猜测还存在超过一年的长期因素。
有些月份的降雨量为0，看了一篇对小时降雨量的建模文章，那篇文章里说降雨量为0相当于审查数据。文章中先对数据做了转换。论文为：C.A.Glasbey and I.M.Nevison
: Rainfall Modelling Using a Latent Gaussian Variable
ARIMA做短期预测还可以，不适合做长期预测。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

lisong-1227

2015-4-15 05:28:32

好的好好学啊

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

renniw/wo

2015-4-15 08:53:40

nuomin 发表于 2015-4-15 00:11
数据似乎需要做一些除季节差分以外的转换后才会季节平稳。季节可以做一阶差分，但是不能做2阶差分。原数据 ...

大神，非常感谢那么晚还回答我的问题。{:3_60:}{:3_60:}{:3_60:}
1.我把原始数据+1然后取对数了，发现右偏减轻了些（但貌似还有一些右偏）……对这些数据仍然需要进行季节差分吧？这是我对原始数据+1取对数，再做一阶季节差分后画出的PACF图……怎么感觉季节性还是很明显？您建立的季节模型是什么呢{:3_60:}

2.超过一年的长期因素能处理么？
3.这篇论文我找到了，但是我们学校没有买这篇文章，能发给我么{:3_60:}{:3_60:}3945976@163.com

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nuomin

2015-4-15 10:39:06

renniw/wo 发表于 2015-4-15 08:53
大神，非常感谢那么晚还回答我的问题。
1.我把原始数据+1然后取对数了，发现右 ...

没做太大的变动

复制代码

昨晚看到的论文

nantucket.pdf
大小:(198.68 KB)

马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群