Cómo utilizar matlab para probar la estacionariedad de series temporales
Haga un diagrama de correlación basado en datos dinámicos, realice análisis de correlación y encuentre la función de autocorrelación. Los gráficos de correlación pueden mostrar tendencias y ciclos cambiantes y pueden encontrar puntos de salto y puntos de inflexión. Si el punto de salto es una observación correcta, se debe tener en cuenta al modelar. Si no es normal, el punto de salto debe ajustarse al valor esperado.
Determine el modelo estocástico apropiado, realice un ajuste de curvas y utilice el modelo estocástico general para ajustar los datos de observación de series temporales. Para series temporales más cortas o simples, se pueden utilizar modelos de tendencia y modelos estacionales para ajustar los errores. Para series temporales estacionarias, se puede utilizar para el ajuste el modelo ARIMA general y su modelo autorregresivo especial, el modelo de media móvil o el modelo ARIMA combinado.
Datos ampliados:
El papel y la influencia de los modelos de series de tiempo;
1. Según los datos de series de tiempo obtenidos del sistema de observación, utilice el ajuste de curvas. método al Sistema se describe objetivamente. Los modelos ARMA se utilizan para ajustar series de tiempo y predecir valores futuros de la serie de tiempo.
2. Cuando los valores observados se toman de más de dos variables, los cambios en una serie de tiempo se pueden utilizar para explicar los cambios en otra serie de tiempo, logrando así una comprensión profunda del mecanismo de una determinada serie de tiempo. serie de tiempo.
3. Proporcionar a los usuarios un conjunto completo de herramientas de modelado, análisis y pronóstico de series de tiempo, que incluyen análisis y pronóstico de series de tiempo estacionarias y sin tendencias, pronóstico de series de tiempo con ciclos estacionales y modelado promedio de movimiento autorregresivo diferencial (ARIMA). y análisis.
Enciclopedia Baidu-Modelo de series temporales