例题1:
通过时间序列分析预测2020、2021与2022三年的新能源汽车保有量,已有的数据如下:

1.画出时间序列图:


图像:

然后使用专家建模器:


合适的模型为ARIMA(0,2,0)模型。即pq为0,差分阶数为2。(公式见之前的文章)
残差的白噪声检验:
从残差的ACF和PACF图可以知道,所有滞后阶数的自相关系数和偏自相关系数和0没有显著差异。因此,对这些数据来说,ARIMA(0,2,0)
本文利用时间序列分析中的ARIMA(0,2,0)模型预测2020至2022年新能源汽车保有量。通过对数据的图形分析和残差检验,确认模型识别良好,表现为白噪声序列。尽管平稳r方接近0,但高R方值(0.99)表明模型估计效果优秀。正态化BIC验证了模型选择的最优性。最终给出了95%置信区间的预测结果。
例题1:
通过时间序列分析预测2020、2021与2022三年的新能源汽车保有量,已有的数据如下:

1.画出时间序列图:


图像:

然后使用专家建模器:


合适的模型为ARIMA(0,2,0)模型。即pq为0,差分阶数为2。(公式见之前的文章)
残差的白噪声检验:
从残差的ACF和PACF图可以知道,所有滞后阶数的自相关系数和偏自相关系数和0没有显著差异。因此,对这些数据来说,ARIMA(0,2,0)
242
4万+
8827

被折叠的 条评论
为什么被折叠?