传递函数模型中的异常值分析

论文摘要

时间序列是按照时间顺序排列的数据数列,广泛的存在于金融、科学和工程等各个领域。时间序列分析是分析和处理动态数据的一种重要方法,它是用统计的方法建立一个适当的模型来对现在和过去观测序列的进行拟合,达到对未来时刻的数据进行预测以做出预报或控制。本文对传递函数模型中的时间序列异常值检测进行了探讨,构建了新模型算法,并利用该算法对某含领先指标的销售额进行预报。本文的主要研究工作分两部分：一、对销售额进行ARMA模型和传递函数模型建模,分别利用销售额及领先指标和销售额之间的动态关系对销售额进行预报。并对预报精度进行了比较和分析。二、在传递函数建模过程中引入了异常值检测。通过对销售额和领先指标序列分别进行异常值分析处理后,并再次建立新的传递函数模型。通过分析预测平均误差表明：若输出序列(销售额)异常是由输入序列的异常引起的,经过异常值处理后预测精度变化不大；若输出异常(销售额)不是由输入序列(领先指标)引起的情况,经过异常值处理后预测精度会提高；若输入序列的异常没有导致输出的异常,经过异常值处理后预测精度会提高。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 时间序列的研究背景
• 1.2 时间序列的定义
• 1.3 时间序列分析的几种基本模型
• 1.3.1 自回归滑动平均模型
• 1.3.2 传递函数模型
• 1.3.3 异常干预事件对时间序列的影响
• 1.4 本文的主要工作
• 第2章 平稳时间序列模型建立和预测
• 2.1 平稳时间序列简介
• 2.2 几种常用的线性时间序列模型
• 2.3 Box-Jenkins方法建模过程
• 2.3.1 模型识别
• 2.3.2 模型参数的矩估计
• 2.3.3 模型的诊断检验
• 2.4 预测
• 第3章 传递函数模型及其异常值分析
• 3.1 传递函数模型的简介
• 3.2 传递函数模型建模方法
• 3.2.1 传递函数模型的识别
• 3.2.2 传递函数模型参数的估计和检验
• 3.2.3 利用传递函数模型预报
• 3.3 传递函数中的异常值处理
• 3.3.1 传递函数模型中异常值检验的迭代方法
• 3.3.2 传递函数中的异常值分析
• 3.4 异常值处理的其它方法
• 第4章 实例分析
• 4.1 研究数据
• 4.2 销售额的ARIMA模型
• 4.3 利用领先指标对销售额进行预报
• 4.3.1 利用传递模型建模并预报
• 4.3.2 传递模型中的异常值分析
• 第5章 总结和展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢