Cómo utilizar matlab para probar la estacionariedad de series temporales

El uso de Matlab para probar la estacionariedad de series temporales requiere dibujar y ajustar. Las instrucciones específicas son las siguientes:

Construya 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, 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 el punto de salto es una anomalía, el punto de salto se debe ajustar al valor ideal.

Determinar un modelo estocástico apropiado para el ajuste de curvas y utilizar un modelo estocástico generalizado para ajustar las observaciones de series de tiempo. Para series temporales más cortas o simples, se pueden utilizar modelos de tendencia y estacionales con errores para el ajuste. Para series de tiempo estacionarias, se pueden utilizar modelos ARIMA generalizados y sus casos especiales, modelos autorregresivos, modelos de media móvil o modelos ARIMA combinados para el ajuste.

Información ampliada:

El papel y el impacto del modelado de series de tiempo:

1. Con base en los datos de series de tiempo obtenidos de las observaciones del sistema, utilice el ajuste de curvas. método Proporcionar una descripción objetiva del sistema. El modelo ARMA se utiliza para ajustar una serie de tiempo y predecir el valor futuro de esa serie de tiempo.

2. Cuando los datos de observación provienen de más de dos variables, los cambios en una serie temporal se pueden utilizar para explicar los cambios en otra serie temporal, lo que permite a las personas obtener una comprensión profunda del mecanismo que genera una situación específica. serie de tiempo.

3. Proporciona 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 sin tendencia suavizadas, pronóstico de series de tiempo con tendencia y pronóstico de series de tiempo con Predicción de ciclos estacionales, y modelado y análisis de promedios móviles autorregresivos diferenciales (ARIMA).

Enciclopedia Baidu: modelado de series temporales