大家好，感谢邀请，今天来为大家分享一下时间序列分析及应用的问题，以及和时间序列有哪些的一些困惑，大家要是还不太明白的话，也没有关系，因为接下来将为大家分享，希望可以帮助到大家，解决大家的问题，下面就开始吧！
本文目录
一、应用时间序列分析
1、是2017年清华大学出版社出版的图书，作者是白晓东。结合实际例子讲述时间序列分析的原理、 *** 和实现。
2、本书主要介绍了时间序列的时域分析 *** ，内容包括时间序列的基本概念、时序数据的预处理方式、时序数据的分解和平滑、趋势的消除、单位根检验和协整、平稳时间序列模型、非平稳时间序列模型。
3、书通俗易懂，理论与应用并重，可作为高等院校统计、经济、商科、工程以及定量社会科学等相关专业的高年级本科生学习时间序列分析的教材或教学参考书，也可作为硕士研究生使用R软件学习时间序列分析的入门书。
二、时间序列分析预测法优缺点
优点：可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。
缺点：在应用时间序列分析法进行市场预测时应注意市场现象未来发展变化规律和发展水平，不一定与其历史和现在的发展变化规律完全一致。间序列预测法因突出时间序列暂不考虑外界因素影响，因而存在着预测误差的缺陷，当遇到外界发生较大变化，往往会有较大偏差。
1、趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不相等。
2、周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。
3、随机性：个别为随机变动，整体呈统计规律。
4、综合性：实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动，突出反映趋势性和周期性变动。
三、应用时间序列分析有哪几种 ***
时间序列分析常用的 *** ：趋势拟合法和平滑法。
1、趋势拟合法就是把时间作为自变量，相应的序列观察值作为因变量，建立序列值随时间变化的回归模型的 *** 。包括线性拟合和非线性拟合。
线性拟合的使用场合为长期趋势呈现出线形特征的场合。参数估计 *** 为最小二乘估计。
非线性拟合的使用场合为长期趋势呈现出非线形特征的场合。其参数估计的思想是把能转换成线性模型的都转换成线性模型，用线性最小二乘法进行参数估计。实在不能转换成线性的，就用迭代法进行参数估计。
2、平滑法是进行趋势分析和预测时常用的一种 *** 。它是利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化，从而显示出长期趋势变化的规律。
根据对系统进行观测得到的时间序列数据，用曲线拟合 *** 对系统进行客观的描述。
当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。
一般用ARMA模型拟合时间序列，预测该时间序列未来值。
根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。
参考资料来源：百度百科-时间序列分析
四、什么是平稳的时间序列
问题一：如何深入理解时间序列分析中的平稳性声明：本文中所有引用部分，如非特别说明，皆引自Time Series Analysis with Applications in R.
接触时间序列分析才半年，尽力回答。如果回答有误，欢迎指出。
对之一个问题，我们把它拆分成以下两个问题：
Why stationary?（为何要平稳？）
Why weak stationary?（为何弱平稳？）
Why stationary?（为何要平稳？）
每一个统计学问题，我们都需要对其先做一些基本假设。如在一元线性回归中（），我们要假设：①不相关且非随机（是固定值或当做已知）②独立同分布服从正态分布（均值为0，方差恒定）。
在时间序列分析中，我们考虑了很多合理且可以简化问题的假设。而其中最重要的假设就是平稳。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平稳的基本思想是：时间序列的行为并不随时间改变。
Strict stationarity: A time series{} is said to be strictly stationary if the joint distribution of,,・・・, is the same as that of,,・・・,for all choices of natural number n, all choices of time points,,・・・, and all choices of time lag k.
强平稳过程：对于所有可能的n，所有可能的,,・・・,和所有可能的k，当,,・・・,的联合分布与,,・・・,相同时，我们称其强平稳。
Weak stationarity: A time series{} is said to be weakly(second-order, or co-variance) stationary if:
① the mean function is constant over time, and
②γ(t, t? k)=γ(0, k) for all times t and lags k.
弱平稳过程：当①均值函数是常数函数且②协方差函数仅与时间差相关，我们才称其为弱平稳。
此时我们转到第二个问题：Why weak stationary?（为何弱平稳？）
两种平稳过程并没有包含关系，即弱平稳不一定是强平稳，强平稳也不一定是弱平稳。
一方面，虽然看上去强平稳的要求好像比弱平稳强，但强平稳并不一定是弱平稳，因为其矩不一定存在。
例子：{}独立服从柯西分布。{}是强平稳，但由于柯西分布期望与方差不存在，所以不是弱平稳。（之所以不存在是因为其并非绝对可积。）
另一方面，弱平稳也不一定是强平稳，因为二阶矩性质并不能确定分布的性质。
例子：,,互相独立。这是弱平稳却不是强平稳。
知道了这些造成差别的根本原因后，我们也可以写出两者的一些联系：
一阶矩和二阶矩存在时，强平稳过程是弱平稳过程。（条件可简化为二阶矩存在，因为）
当联合分布服从多元正态分布时，两平稳过程等价。（多元正态分布的二阶矩可确定分布性质）
而为什么用弱平稳而非强平稳，主要原因是：强平稳条件太强......>>
问题二：什么是平稳时间序列，能举个生活中的平稳时间序列的例“平稳时间序列”是天文学专有名词。来自中国天文学名词审定委员会审定发布的天文学专有名词中文译名，词条译名和中英文解释数据版权由天文学名词委所有。
英文原名/注释stationarytime series：小波消噪与时间序列分析 *** 在预测领域中应用十分广泛,但是在降雨量的预测中应用不多。在基于小波消噪的基础上应用时间序列中平稳时间学列 *** 对降雨量进行预测,结果显示,应用该 *** 有效地提高了降雨量的预测精度。用丹东地区1971-2006年的降雨量作为历史数据,建立降雨量预测模型,结果表明新模型算法简单、精度较高,比传统的拓扑预测模型效果更好,为降雨量预测提供了一种行之有效的 ***
问题三：平稳时间序列和非平稳时间序列的区别要对非平稳时间序列进行平稳化处理有利于资源的合理利用
问题四：检验时间序列平稳性的 *** 有哪两种 1、时间序列取自某一个随机过程，如果此随机过程的随机特征不随时间变化，则我们称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。 2、宽平稳时间序列的定义：设时间序列，对于任意的,和，满足：则称宽平稳。 3、Box-Jenkins *** 是一种理论较为完善的统计预测 *** 。他们的工作为实际工作者提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统 *** 。使ARMA模型的建立有了一套完整、正规、结构化的建模 *** ，并且具有统计上的完善性和牢固的理论基础。 4、ARMA模型三种基本形式：自回归模型（AR：Auto-regressive），移动平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。（1）自回归模型AR(p)：如果时间序列满足其中是独立同分布的随机变量序列，且满足：，则称时间序列服从p阶自回归模型。或者记为。平稳条件：滞后算子多项式的根均在单位圆外，即的根大于1。（2）移动平均模型MA(q)：如果时间序列满足则称时间序列服从q阶移动平均模型。或者记为。平稳条件：任何条件下都平稳。（3） ARMA(p,q)模型：如果时间序列满足则称时间序列服从(p,q)阶自回归移动平均模型。或者记为。特殊情况：q=0,模型即为AR(p)，p=0,模型即为MA(q)。二、时间序列的自相关分析 1、自相关分析法是进行时间序列分析的有效 *** ，它简单易行、较为直观，根据绘制的自相关分析图和偏自相关分析图，我们可以初步地识别平稳序列的模型类型和模型阶数。利用自相关分析法可以测定时间序列的随机性和平稳性，以及时间序列的季节性。 2、自相关函数的定义：滞后期为k的自协方差函数为：，则的自相关函数为：，其中。当序列平稳时，自相关函数可写为：。 3、样本自相关函数为：，其中，它可以说明不同时期的数据之间的相关程度，其取值范围在-1到1之间，值越接近于1，说明时间序列的自相关程度越高。 4、样本的偏自相关函数：其中，。 5、时间序列的随机性，是指时间序列各项之间没有相关关系的特征。使用自相关分析图判断时间序列的随机性，一般给出如下准则：①若时间序列的自相关函数基本上都落入置信区间，则该时间序列具有随机性；②若较多自相关函数落在置信区间之外，则认为该时间序列不具有随机性。 6、判断时间序列是否平稳，是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是：①若时间序列的自相关函数在k>3时都落入置信区间，且逐渐趋于零，则该时间序列具有平稳性；②若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 7、 ARMA模型的自相关分析 AR(p)模型的偏自相关函数是以p步截尾的，自相关函数拖尾。MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾。这两个性质可以分别用来识别自回归模型和移动平均模型的阶数。ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。三、单位根检验和协整检验 1、单位根检验①利用迪基―福勒检验（ Dickey-Fuller Test）和菲利普斯―佩荣检验（Philips-Perron Test）,我们也可以测定时间序列的随机性，这是在计量经济学中非常重要的两种单位根检验 *** ，与前者不同的事，后一个检验 *** 主要应用于一阶自回归模......>>
问题五：如果时间序列平稳,那该做什么检验我们计算自相关系数，如果有18组数据，则有17个自相关系数的数据，如果时间序列是平稳的，那么服从一个正态分布。所以我们根据每一个自相关系数的值，对应置位区间即可。
也可检验对所有k>0，自相关系数都为0的联合假设，这可通过如下QLB统计量进行
该统计量近似地服从自由度为m的c2分布（m为滞后长度）。因此:如果计算的Q值大于显著性水平为a的临界值，则有1-a的把握拒绝所有rk(k>0)同时为0的假设。
注意利用QLB统计量，原假设是平稳的，根据更大的滞后项来判断即可。
OK，关于时间序列分析及应用和时间序列有哪些的内容到此结束了，希望对大家有所帮助。
