數(shù)學(xué)建模模擬題,圖論,回歸模型,聚類分析,因子分析等 (25)

1、第二十四章時間序列模型摘要關(guān)鍵詞一， 問題的重述二， 問題的假設(shè)三， 符號的表示與說明四， 模型的建立和求解1.1問題一的分析 首進(jìn)行時間序列模型定階。因為數(shù)據(jù)有下降趨勢，又有12 個月的季性，故對數(shù)據(jù)作下列差分運算：對進(jìn)行稠密度系數(shù)ARMA模型你和，用選取的P,Q,的各種階數(shù)形式進(jìn)行計算，用AIC準(zhǔn)則尋求最優(yōu)解，求得當(dāng)p=1,q=5的模型最優(yōu)。1.2問題一的求解 通過MATLAB程序（程序見附錄四）得到下面的圖像： 從直觀上看，這一時間序列有上升的趨勢，且有明顯的季節(jié)性，有的地方波動的比較大。在一年中隨著季節(jié)的不同，耐用品的消費有差異；隨著時間的增長，生活水平的提高，耐用品的消費有明顯的增加

2、。2.1問題二的求解經(jīng)過MATLAB程序（程序見附錄五）求得預(yù)測的結(jié)果正如下面的表格顯示。年份第一季度第二季度第三季度第四季度197162.64564.541464.251766.6933197264.166961.698161.932561.4487五， 模型的改進(jìn)六， 參考文獻(xiàn)附錄四clc,clearload hang.txt; %°ÑԭʼÊý¾Ý°´ÕÕ±íÖеĸñ

3、;ʽ´æ·ÅÔÚ´¿Îı¾Îļþhang.txthang=hang'x0=hang(:)'m1=length(x0); %ԭʼÊý¾ÝµÄ¸öÊýplot(linspace(46,70,m1),x0)x=log(x0); %×ö

4、82;ÔÊý±ä»»y=lnxs=5; %ÖÜÆÚs=12n=8; %Ô¤±¨Êý¾ÝµÄ¸öÊýfor i=s+1:m1y(i-s)=x(i)-x(i-s);endm2=length(y); %ÖÜÆÚ²î·ÖºóÊý¾

5、;ݵĸöÊýw=diff(y); %Ïû³ýÇ÷ÊÆÐԵIJî·ÖÔËËãm3=length(w); %¼ÆËã×îÖÕ²î·ÖºóÊý¾Ý&#

6、181;ĸöÊýfor i=0:3for j=0:s+1spec= garchset('R',i,'M',j,'Display','off'); %Ö¸¶¨Ä£Ð͵ĽṹcoeffX,errorsX,LLFX = garchfit(spec,w); %ÄâºÏ²ÎÊ&

7、#253;num=garchcount(coeffX); %¼ÆËãÄâºÏ²ÎÊýµÄ¸öÊý%compute Akaike and Bayesian Information Criteriaaic,bic=aicbic(LLFX,num,m3);fprintf('R=%d,M=%d,AIC=%f,BIC=%fn',i,j,aic,bic); %ÏÔʾ

8、88;ÆËã½á¹ûendendsave bdata x y w n m1 m2 s附錄五clc,clearload bdataspec2= garchset('R',0,'M',13,'Display','off'); %Ö¸¶¨Ä£Ð͵ĽṹcoeffX,errorsX,LLFX = garchfit(spec2,

9、w); %ÄâºÏ²ÎÊýsigmaForecast,w_Forecast = garchpred(coeffX,w,n); %Çów µÄÔ¤±¨Öµyhat=y(m2)+cumsum(w_Forecast); %Çóy µÄÔ¤±¨Öµfor j=1:nx(m1+j)=yhat(j)+x(m1+j-s);endx_hat=x(m1+1:end); %¸´Ô­µ½¶ÔÊýÊý¾ÝµÄÔ¤±¨Öµx0_hat=exp(x_hat+sigmaForecast.2/2) %