简单季节模型拟合结果 拟合模型残差白噪声检验 延迟 AR(1,12) MA(1,2,12) ARMA((1,12),(1,12) 阶数 值 P值 C 值 P值 值 P值 6 14.58 0.0057 9.5 0. 0233 15.77 0.0004 12 16.42 0.0883 14.19 0.1158 17.99 0.0213 结果 拟合模型均不显著
简单季节模型拟合结果 延迟 阶数 拟合模型残差白噪声检验 AR(1,12) MA(1,2,12) ARMA((1,12),(1,12) 值 P值 值 P值 值 P值 6 14.58 0.0057 9.5 0.0233 15.77 0.0004 12 16.42 0.0883 14.19 0.1158 17.99 0.0213 结果 拟合模型均不显著
乘积季节模型拟合 n模型定阶 n ARIMA(1,1,1)×(0,1,1)12 n参数估计 NNex-1+0.6137B 1+0.78978B (1-0.77394B2)e
乘积季节模型拟合 n 模型定阶 n ARIMA(1,1,1)×(0,1,1)12 n 参数估计
模型检验 残差白噪声检验 参数显著性检验 延迟 c2 待估 c2统 阶数 统计量 P值 参数 计量 P值 6 4.50 0.2120 91 -4.66 <0.0001 12 9.42 0.4002 912 23.03 <0.0001 18 20.58 0.1507 f -6.81 <0.0001 结果 模型显著 参数均显著
模型检验 残差白噪声检验 参数显著性检验 延迟 阶数 统计量 P值 待估 参数 统 计量 P值 6 4.50 0.2120 -4.66 <0.0001 12 9.42 0.4002 23.03 <0.0001 18 20.58 0.1507 -6.81 <0.0001 结果 模型显著 参数均显著
乘积季节模型拟合效果图 X 4000 3000 2000 1000 194519501955196019651970197519801985 time
乘积季节模型拟合效果图
5.3Auto-Regressive模型 n构造思想 n首先通过确定性因素分解方法提取序列中主 要的确定性信息 x,=T,+S,+e 然后对残差序列拟合自回归模型，以便充分 提取相关信息 er=fiem+L tfper-p+a
5.3 Auto-Regressive模型 n 构造思想 n 首先通过确定性因素分解方法提取序列中主 要的确定性信息 n 然后对残差序列拟合自回归模型，以便充分 提取相关信息