差分法（Differencing），多变量差分对多个时间序列进行联合分析

大家好，欢迎来到IT知识分享网。

介绍

差分法（Differencing）是时间序列分析中的一种重要技术，主要用于使非平稳时间序列变得平稳，以便能够应用诸如ARIMA（AutoRegressive Integrated Moving Average）模型等线性模型。非平稳时间序列通常具有趋势或季节性成分，通过差分可以去除这些成分，从而使数据更加适合建模和预测。

差分法的基本概念

一阶差分

二阶差分

季节性差分

差分法的应用场景

差分法广泛应用于时间序列分析的多个领域，特别是在以下场景中表现突出：

经济与金融

股票价格：股票价格通常具有长期上升或下降的趋势。通过一阶差分可以消除趋势，使价格变化率（而非价格本身）成为平稳序列，从而更好地进行预测。
经济指标：如GDP、通货膨胀率等，这些指标通常随着时间呈现出非平稳的趋势，通过差分处理，可以更有效地进行建模。

气象与环境科学

气温和降水量：季节性差分可以用于去除气温和降水量中的季节性成分，从而使这些数据更适合预测模型。

工程与信号处理

感器数据：许多工程中的传感器数据，特别是那些随着时间累积误差或趋势的信号，可以通过差分去除趋势，从而更精确地分析短期变化

差分法的优缺点

优点

平稳化序列：差分可以有效去除趋势和季节性成分，使非平稳序列转化为平稳序列，从而适合应用线性建模技术。
简单易行：差分的计算相对简单，易于理解和实现。
广泛适用：适用于各种类型的时间序列，尤其是那些带有明显趋势或季节性的序列。

缺点

信息丢失：差分可能会导致数据的部分信息丢失，尤其是在差分过度的情况下，可能会丢失原始序列中的重要特征。
噪声放大：差分过程可能会放大数据中的噪声，导致模型预测的准确性下降。
过度差分：差分次数过多可能会使时间序列过度平稳，甚至成为白噪声，这样反而不利于模型的有效建立

差分法的扩展与应用

在实际应用中，差分法常与其他方法结合使用，以处理更复杂的时间序列：

与ARIMA模型结合：差分法是ARIMA模型中的重要组成部分，ARIMA模型通过对时间序列进行差分平稳化，然后应用自回归和滑动平均模型来进行预测。

多变量差分：对多个时间序列的差分进行联合分析，可以捕捉不同时间序列之间的动态关系。

季节性ARIMA（SARIMA）：在具有季节性的时间序列中，结合季节性差分和ARIMA模型，可以有效地建模和预测这些序列

本文代码

我们将使用多个相关联的时间序列（GDP,失业率，通货膨胀率）进行差分处理，以分析它们的联合动态

核心代码

% 清理工作区 clear; clc; close all; %% Step 1: 生成或导入多变量时间序列数据 % 假设我们有三个相关的时间序列数据（例如：GDP、失业率、通货膨胀率） n = 200; % 样本点数量 t = (1:n)'; % 生成相关联的时间序列数据 rng(0); % 固定随机种子 GDP = cumsum(randn(n,1)) + 0.05*t; % GDP - 增加的随机游走 Unemployment = 0.5*GDP + randn(n,1); % 失业率 - GDP的部分影响 Inflation = 0.2*GDP - 0.3*Unemployment + randn(n,1); % 通货膨胀 - 受GDP和失业率影响 % 将数据放入表格中 data = table(t, GDP, Unemployment, Inflation); % 可视化原始数据 figure; subplot(3,1,1); plot(t, GDP); title('GDP'); ylabel('Value'); grid on; subplot(3,1,2); plot(t, Unemployment); title('Unemployment'); ylabel('Rate'); grid on; subplot(3,1,3); plot(t, Inflation); title('Inflation'); ylabel('Rate'); xlabel('Time'); grid on; %% Step 2: 数据预处理（差分处理） % 对每个时间序列进行一阶差分以去除趋势 % 将差分后的数据放入新表格中 diffData = table(t(2:end), diffGDP, diffUnemployment, diffInflation); % 可视化差分后的数据 figure; subplot(3,1,1); plot(t(2:end), diffGDP); title('Differenced GDP'); ylabel('Value'); grid on; subplot(3,1,2); plot(t(2:end), diffUnemployment); title('Differenced Unemployment'); ylabel('Rate'); grid on; subplot(3,1,3); plot(t(2:end), diffInflation); title('Differenced Inflation'); ylabel('Rate'); xlabel('Time'); grid on; %% Step 3: 相关性分析 % 计算差分后的时间序列之间的相关系数 corrMatrix = corr([diffGDP, diffUnemployment, diffInflation]); % 显示相关性矩阵 disp('Correlation matrix between differenced variables:'); disp(array2table(corrMatrix, 'VariableNames', { 
   'GDP', 'Unemployment', 'Inflation'}, ... 'RowNames', { 
   'GDP', 'Unemployment', 'Inflation'})); % 可视化相关性矩阵 figure; heatmap({ 
   'GDP', 'Unemployment', 'Inflation'}, { 
   'GDP', 'Unemployment', 'Inflation'}, corrMatrix); title('Correlation Matrix of Differenced Variables'); colorbar; % 拟合VAR模型 EstModel = estimate(VARmodel, Y); % 显示VAR模型的系数 disp('Estimated VAR model coefficients:'); disp(EstModel.AR); %% Step 5: 预测与可视化 % 进行预测（假设预测10个时间点） % 可视化预测结果 figure; subplot(3,1,1); hold on; plot(t(2:end), diffGDP, 'b', 'DisplayName', 'Observed'); plot(t(end)+[1:numPeriods]', Y_forecast(:,1), 'r', 'DisplayName', 'Forecast'); title('GDP Differenced - Forecast vs Observed'); ylabel('Value'); legend('show'); grid on; subplot(3,1,2); hold on; plot(t(2:end), diffUnemployment, 'b', 'DisplayName', 'Observed'); plot(t(end)+[1:numPeriods]', Y_forecast(:,2), 'r', 'DisplayName', 'Forecast'); title('Unemployment Differenced - Forecast vs Observed'); ylabel('Rate'); legend('show'); grid on; subplot(3,1,3); hold on; plot(t(2:end), diffInflation, 'b', 'DisplayName', 'Observed'); plot(t(end)+[1:numPeriods]', Y_forecast(:,3), 'r', 'DisplayName', 'Forecast'); title('Inflation Differenced - Forecast vs Observed'); ylabel('Rate'); xlabel('Time'); legend('show'); grid on; 

代码说明

数据生成或导入：

在代码中，我们生成了三个相关的时间序列数据（GDP、失业率、通货膨胀率），其中每个序列都可能受到其他序列的影响。我们使用累积随机游走来模拟这些数据。

数据预处理（差分处理）：
对时间序列进行一阶差分，以去除趋势并使序列平稳化。这是VAR模型分析的前提条件，因为VAR模型要求输入的时间序列是平稳的。

相关性分析：
使用相关矩阵分析差分后时间序列之间的线性关系。相关性矩阵和热图可以帮助我们直观理解变量之间的关联强度。

构建VAR模型：
使用差分后的时间序列数据构建VAR模型。在这个示例中，选择滞后阶数为2，并估计模型系数。
VAR模型是多变量时间序列分析的强大工具，能够捕捉多个时间序列之间的动态相互作用。

预测与可视化：
基于估计的VAR模型，我们对未来的时间点进行预测，并将预测结果与实际观测数据进行对比。通过可视化，我们可以看到VAR模型对未来变化的预测效果

优化方向

模型阶数优化：可以通过信息准则（如AIC、BIC）来自动选择VAR模型的最佳滞后阶数。
季节性差分：如果时间序列具有季节性特征，可以结合季节性差分来进一步去除季节性影响。
多种差分组合：在实际应用中，可能需要结合多种差分方式，如季节性差分和一阶差分组合使用，以处理更复杂的非平稳序列。
模型扩展：可以扩展到VARMA（Vector Autoregressive Moving Average）模型，以捕捉更复杂的动态模式。

效果图示

完整代码获取

关注下方卡片公众号，回复“Diff”获取完整代码