图3 残差序列的AC和PAC图
综合上述分析可以得出结论,利用ARMA(6,3) 模型对yt序列建模是合适的。
3 模型预测
预测是建模的目的之一,预测效果的好坏也是评判模型优劣的标准之一。本文利用2004年10月1日至11月30日四川省宜宾市政府的PM10浓度时间序列数据建立ARMA(6,3)模型,对2004年12月1日、2日、3日的PM10浓度进行预测,并与实际值进行比较的结果见图4,表5。
图4 模型拟合效果图
表5 PM10浓度的预测结果 时间 2004.12.01 2004.12.02 2004.12.03 实际值(mg/m3) 0.107 0.086 0.083 预测值(mg/m3) 0.103 0.085 0.083 预测相对误差(%) -3.7 -1.2 0 结果显示,模型是以2004年10月1日至11月30日四川省宜宾市政府的PM10浓度数据建立的ARMA模型,对2004年12月1日、2日、3日的PM10浓度进行预测,预测的相对误差分别为:3.7%;1.2%;0%。准确性比较高。
值得说明的是,时间序列ARMA 模型所描述的是时间序列的自相关性和自身的动态记忆性,反映的是时间序列的短期变化关系,而不是长期变化关系。因此,利用时间序列模型只能进行短期预测。总体而言,模型是优良的、可信的。
参考文献:
[1] G.E.p.Box and G.M.Jenkins,Time Series Analysis,Forecasting and Control,Halden-Day San Francisco,1970.
[2]张晓峒.计量经济分析【M】.北京:经济科学出版社.2005:59-60.
[3]易丹辉.数据分析与Eviews 应用[M].北京:中国统计出版社,2002.