用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

这篇具有很好参考价值的文章主要介绍了用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

       下面将用这两个栗子来讲解本文的内容,将用到的软件:SPSS、EXCEL
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

一、我们先用特征根判别法判断模型的平稳性。

特征根判别法呢,最主要的就是写出模型的差分方程,然后求出其特征根,若其特征根在单位圆内,则该模型就是平稳的
解题如下:
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

二、用随机模拟的方法来验证

1)

①在excel中生成100个序列数

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

②将这100个序列数导入spss中

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

③点击【转换】【计算变量】

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

④输入数字表达式RV.NORMAL(0,1),点击确定,产生白噪声et

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

⑤将et列数据复制粘贴到excel,然后计算AR模型随机数,的初始值不妨都设为1

先计算出第一个AR模型随机数,如图
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

然后计算出第二个随机数
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

再计算出第三个随机数
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

下拉填充至100行,即可产生100个AR模型随机数
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

⑥将这100个随机数导入spss

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

⑦点击【分析】【时间序列预测】【序列图】

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

⑧做出xt的序列图

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

由序列图可知,该模型是非平稳的

⑨做自相关性分析,点击【分析】【时间序列预测】【自相关】

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

这里我选择用巴特利特近似来做
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

得到结果如图:
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

由自相关结果可知,各项p值都很小,p值越小越拒绝,所以该序列是非白噪声,且具有拖尾性
综上所述,可知该模型是不平稳的非白噪声序列。

2)同理,可作出序列图和自相关性分析结果:

用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析
用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析

可知该模型为平稳的非白噪声序列,且具有拖尾性文章来源地址https://www.toymoban.com/news/detail-475080.html

到了这里,关于用特征根判别法判断AR模型的平稳性,再用随机模拟的方法来验证以及做自相关分析的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 别再用查询count,判断数据是否存在了

    目录 一、目前多数人的写法 二、优化方案 三、总结         大家在实际的开发过程中,会根据某些条件,从数据库表中查询出是否存在符合该条件的数据。无论是刚入行的程序员小白,还是久经沙场多年的程序员老白,都是一如既往的 SELECT count(*)   ,那么有没有更好的方

    2024年02月11日
    浏览(41)
  • 【论文阅读】深度多视图聚类的自监督判别特征学习

    文章链接 聚类结构不明确 的某些视图所带来的负面影响,导致多视图聚类性能较差,所以本文提出SDMVC。 深度编码器用来独立的学习每个视图 ;为了利用互补信息, 将所有视图的嵌入特征串联起来形成全局特征 ,可以克服某些视图聚类结构不清晰的负面影响。以 自监督的

    2024年02月02日
    浏览(41)
  • 第二章:Learning Deep Features for Discriminative Localization ——学习用于判别定位的深度特征

            在这项工作中,我们重新审视了在[13]中提出的全局平均池化层,并阐明了它如何明确地使卷积神经网络(CNN)具有出色的定位能力,尽管它是在图像级别标签上进行训练的。虽然这个技术之前被提出作为一种训练规范化的手段, 但我们发现它实际上构建了一个通

    2024年02月15日
    浏览(34)
  • ARIMA模型——非平稳序列的随机性分析

    一、拟合 ARIMA 模型 ARIMA 是先运用差分运算得到平稳序列,再对平稳序列建立 ARMA 模型。差分运算可用 diff 函数完成,命令格式为: diff(x,lag=,differences=) 其中: x: 序列名       lag: 差分的步长(默认 lag=1 )       differences: 差分次数(默认 differences=1 ) 常用命令有: 1 阶

    2023年04月17日
    浏览(39)
  • 生成式模型和判别式模型区别

    目录 1.概念 2.定义​ 3.举例​ (1)例子 A​ (2)例子 B​ 4.特点 5.优缺点 6.代表算法 1.概念         首先我们需要明确,两种不同的模型都用于监督学习任务中。监督学习的任务就是从数据中学习一个模型,并用基于这个模型对给定的输入预测相应的输出。这种模型的一

    2024年02月07日
    浏览(34)
  • 生成式模型和判别式模型的区别

    机器学习可以分为两大类:生成式模型(Generative Model)、判别式模型(Discriminative Model)。  现在有一堆球,颜色信息已知为绿色和黄色两种,有且仅有这两种颜色,这里,球的颜色为y(目标变量),坐标轴上位置为特征X。我们想要知道,如果在坐标轴的某一位置x新放入一

    2024年02月12日
    浏览(35)
  • 通过R语言实现平稳时间序列的建模--基础(ARMA模型)

    目录 1. 建模流程 2. 序列平稳性检验和纯随机性检验 2.1 图检验 2.2 单位根检验 3. 模型选择 ​  4. 参数估计 5. 模型检验 5.1 模型显著性检验 5.2 参数显著性检验 6. 模型优化 6.1 AIC准则 6.2 BIC准则 7. 预测 1.1 序列平稳性检验+纯随机性检验 1.2 模型选择 1.3 参数估计 1.4 模型检验 1

    2024年02月06日
    浏览(60)
  • 机器学习之生成式模型与判别式模型的区别

    根本区别在于是否计算了联合分布 P ( X , Y ) P(X,Y) P ( X , Y ) 和是否比较了模型输出的概率大小. 对联合分布进行建模,然后通过朴素贝叶斯来求条件概率,选择使得条件概率最大的 Y Y Y 可以还原出联合概率分布 P ( X , Y ) P(X,Y) P ( X , Y ) 学习收敛速度快,当样本容量增加时,学到

    2024年02月16日
    浏览(44)
  • 应用时间序列分析——有季节效应的非平稳序列分析-ARIMA加法模型-R语言

            ARIMA模型也可以对具有季节效应的序列建模。根据季节效应提取的方式不同,又分为ARIMA加法模型和ARIMA乘法模型。         ABIMA加法模型是指序列中季节效应和其他效应之间是加法关系,即                                                            

    2023年04月19日
    浏览(45)
  • Python用GAN生成对抗性神经网络判别模型拟合多维数组、分类识别手写数字图像可视化...

    生成对抗网络(GAN)是一种神经网络,可以生成类似于人类产生的材料,如图像、音乐、语音或文本 ( 点击文末“阅读原文”获取完整 代码数据 )。 相关视频 最近我们被客户要求撰写关于GAN生成对抗性神经网络的研究报告,包括一些图形和统计输出。 近年来,GAN一直是研

    2024年02月09日
    浏览(51)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包