amar算法

1. eviews怎么对arma模型运用aic准则

简单方法：EViews6.0的ADFtest自动给出BIC滞后长度。
滞后阶数越大，自由度就越小。
一般根据AIC和SC取值最小准则来确定阶数。
如果AIC和SC并不是同时取值最小，采用LR检验进行取舍。
如果时序数据样本容量小，这时AIC和SC准则可能需要谨慎，还是需要根据经验验证。自己的经验看，这时一般比较滞后1、2、3阶基本可以得到较好结果。
另外，还可以通过eviews6.0软件确定最大滞后阶数， 在var估计结果窗口中点击view/lag structure/lag length criteria 输入最大滞后阶数，以*号最多的阶数确定滞后阶数。

AIC 和SIC 都是人为规定的标准
其原理是，当构建模型时，增加自变量的个数会使拟合度增加，但是也会有可能增加无关自变量。人们在减小自变量个数和增加拟合度之间的权衡方法就是AIC和SIC标准。

最小的AIC和SIC代表着拟合与自变量个数的最佳权衡。
但是因为侧重点，也就是算法不用，往往AIC和SIC所选出的最大滞后不同。

2. arma算法在gdp预测中的应用论文中的数据怎样用sas运行出来

第9卷第6期
2010年12月

江南大学学报(自然科学版)
JournalofJiangnanUniversity(NaturalScienceEdition)

Vo.l9 No.6Dec. 2010

收稿日期:2010-04-16; 修订日期:2010-06-23。
作者简介:范玉妹(1948)),女,上海人,教授,硕士生导师。主要从事概率论与数理统计、运筹学、最优化方向等
研究。Emai:[email protected]
ARMA算法在GDP预测中的应用
范玉妹, 玄婧
(北京科技大学应用科学学院,北京100083)
摘 要:从时间序列的基本概念出发,应用时间序列模型ARMA,对北京市人均GDP建立ARMA
模型。应用ARMA模型对2009年GDP值进行预测,其预测值与实际值拟和较好;在此基础上,预测了2010年至2014年北京市人均GDP值。
关键词:时间序列分析;ARMA模型;EViews软件;国内生产总值
中图分类号:O212文献标识码:A文章编号:1671-7147(2010)06-0736-05

FANYu-me,i XUANJing
(SchoolofAppliedScience,,Beijing100083)
Abstract:,,ARMAmode.lFurthermore,thepaperdevelopedARMA
modelofGDPpercapitaofBeijing.Moreover,,.Basedontheconclusion,.Keywords:timeseriesanalysis,ARMAmode,lEViews,GDP
时间序列是一组依赖于时间t的随机变量。时间序列分析预测法,将预测目标的历史数据按照时间先后的顺序排列,分析它们随时间的变化趋势及自身的统计规律,得到预测目标的未来取值。时间序列分析与预测在社会生产生活等诸多领域都占有重要的地位,在经济生活中的影响也越来越大。经济运行过程从较长时间序列看,在市场机制的作用下呈现一定的规律性,这对预测提供了依据。
ARMA模型是时间序列分析的基本模型,在经济预测过程中,既考虑了经济现象在时间序列上的依存性,也考虑了随机波动的干扰性,对经济运行短期趋势的预测准确率较高,是近年来应用较广泛
的方法[1]
。文中对ARMA模型及其识别、估计与检验进行了研究,并以北京市1978年到2009年人均

3. 汽车本是个不适合听音乐的环境，但Bose却把它转变为移动的音乐厅

文/摄影|阮锦程

作为一个在航旅纵横上可以打败99.9%的出差狗，我们的生活和工作都离不开Bose这个品牌。

凯迪拉克、英菲尼迪、保时捷......我们试驾的许多豪华车型都有Bose的身影。出差在酒店，一个轻巧BoseSoundLinkmini蓝牙扬声器赶走了写稿的疲劳。

回顾历史，如今种种神奇的声学创新技术，都源于1964年。因为那一年，美国麻省理工学院电气学工程教授AmarG.Bose博士创建Bose公司。而在童年时代的AmarG.Bose博士，已经对电子产品产生痴迷，他喜欢拆解、探究电子产品的工作原理。

当年AmarG.Bose博士凭借以声学改变世界的抱负和多项专利创立了Bose公司，而在此后的50余年里，Bose公司在音频领域深耕，秉承对尖端声学表现的不懈追求，不断推出众多创新技术。

Bose在用心做好每一件产品，它也不知不觉地改变了人们的生活。

本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。

4. 遥感图像分类法

图像分类是与图像信息提取和增强不同的遥感图像处理中另一重要的方面，与图像增强后仍需人为解译不同，它企图用计算机做出定量的决定来代替人为视觉判译步骤。因此，分类处理后输出的是一幅专题图像。在此图像中，原来图像中的每一个象元依据不同的统计决定准则被划归为不同的地表覆盖类，由于是一种统计决定，必然伴随着某种错误的概率。因此，在逻辑上的合理要求是，对每一个象元所做的决定，应是使整个被分类面积即对大量单个象元的分类的某个错误判据为最小。

以下是几种常用的遥感图像分类方法：

1.最大似然分类（maximum likelihood classification）

最大似然分类是一种基于贝叶斯判别准则的非线性监督分类方法，需要知道已知的或确定的训练样区典型标准的先验概率P（w_i）和条件概率密度函数P（w_i，x）。P（w_i）通常根据各种先验知识给出或假定它们相等：P（w_ix）则是首先确定其分布形式，然后利用训练样本估计其参数。一般假设为正态分布，或通过数学方法化为正态分布。其判别函数集为：

D_i（x）=P（w_ix），i=1，2，…，m （2-2）

如果D_i（x）≥ D_j（x），则x属于w_i类。其中，j≠i，j=1，2，…，m。m为类别数。

从上述最大似然分类的说明看，其关键就在于已知类别的定义，先验概率的确定，参与分类的变量的好坏和结果误差评价。直到现在，最大似然分类至少还有两个缺点：一是事先大量人力已知光谱类的选择和定义：二是需要长时间的计算机分类计算时间。实际上这也使得最大似然分类法遥感应用受到了限制，因此许多人专门研究改进算法以便解决和缩减图像分类的时间，提高分类的精度。Solst和Lillesand（1991）为了解决已知类别定义消耗大量人力的缺点，发展了半自动训练法进行已知光谱类的定义。Fabio Maselli等（1992）利用Skidmore和Tumer提出的非参数分类器计算出各已知类训练集的先验概率，然后将它们插入常规的最大似然分类过程中进行分类。该方法融合了非参数和参数分类过程的优点，提高了分类的精度。

通常情况下，地形会影响到训练集数据，这样训练集光谱数据就偏离了最大似然分类的假设条件正态分布，从而常规的最大似然分类法在地形起伏较大的地区效果并不太好。为了解决这一问题，C.Conese和G.Maracchi和F.Maselli（1993）提出了一种改进的最大似然分类算法，即去掉每一类数据集中与第一主成分相关的信息（地形信息）然后再进行分类。通过试验，这种方法是有效的，分类精度得到了提高。

K.Arai（1993）用光谱和空间信息进行分类改进了最大似然分类方法。该方法简单易行，大大提高了正确分类的概率。C.Conese和Fabio Maselli（1992）用误差矩阵提高最大似然分类面积估计的精度。Irina Kerl（1996）加最大似然分类精度的一种方法，即多概率比较法。他对同一遥感数据的原始波段、主成分和植被指数的22种组合进行了最大似然分类，发现没有一种波段组合的分类能给出图像中所有土地利用类型的精确分类，每一波段组合仅对图像中的一两类土地利用类型分类有效。因此他提出将能有效区分出所要决定的土地利用类型的几个波段组合的分类结果进行组合来进行图像分类，并称这种方法为多概率比较法，这种方法的基础就是图像数据不同波段组合的分类结果之间分类概率大小的比较。应用这种方法提高了分类的精度。

2.最小距离分类（minimum distance classification）

最小距离分类是一种线性判别监督分类方法，也需要对训练区模式样本进行统计分析，是大似然分类法中的一种极为重要的特殊情况。最小距离分类在算法上比较简单，首先需选出要区分类别的训练样区，并且从图像数据中求出各类训练样区各个波段的均值和标准差，然后再计算图像中其他各个象元的灰度值向量到各已知类训练样区均值向量之间的距离。如果距离小于指定的阈值（一般取标准差的倍数），且与某一类的距离最近，就将该象元划归为某类。因此称为最小距离分类。该方法的精度主要取决于已知类训练样区的多少和样本区的统计精度。另外，距离度量的方法不同，分类的结果也不相同，常见的有：

（1）明氏距离（minkowski distance）

中亚地区高光谱遥感地物蚀变信息识别与提取

式中T_ij=-T_ij。

③经过①②步后，随机象元X被划归为正确的类。

另外，通过对参与计算变量的排序和部分一总和逻辑的考虑，可大大降低该算法计算的时间。与最小距离（欧氏距离）和最大似然分类器相比，整体平均分类器所用时间最少，分类精度与最小距离大致相同，对像农田面积和森林这样的名义类型的分类十分有效。

Haluk Cetin（1996）提出了一种分类方法：类间距离频率分布法（interclass distance frequency dis-tribution），这是多光谱数据非参数分类方法的一种。类间距离频率分布过程简单，是一种有力的可视化技术，它图形地显示多光谱数据和类分布。首先选择感兴趣的类，这些类的统计信息从典型的训练样区可获得。利用类的平均测量矢量计算多光谱数据中每个象元的距离，并存放在一个两维数据分布数组中。选择其他类的训练区，训练区数据的分布通过距离计算可获得。通过可视化地检查结果，建立分类查询表（look-up table），然后利用分类查询表进行多光谱图像数据的分类，具体细节请参见原文。

H.N.Srikanta Prakash等（1996）改进了遥感数据凝聚聚类分析，这是一种基于相互近邻概念，用来进行多光谱数据分类的非参数、层次、凝聚聚类分析算法。该方法定义了围绕象元的感兴趣区域（area of interest around each pixel），然后在它内部寻找分类时初始合并操作需要的k最近邻，将象元的特征值、波段值和象元的相对位置值一起考虑，提出了改进的距离量度，这样，大大减少了计算的时间和内存的需求，降低了分类的误差概率。

Steven E.Franklin和Bradley A.Wilson（1992）设计了3阶段分类器进行遥感图像的分类，它由一个基于四叉树的分割算子、一个高斯最小距离均值测试和一个包括辅助地理网数据和光谱曲线测量的最终测试构成。与最大似然分类技术相比，3阶段分类器的总体分类精度得到了提高，减少计算时间，另外仅需最少的训练样区数据（它们在复杂地形区很难获得）。

5. 如何用Matlab求ARMA模型的残差（急，谢谢）

用Matlab求ARMA模型的残差
数组Y X，方程y=f(x)
则残差c=Y-y
[b, bint,r,rint,stats]=regress(Y,X,alpha）
rcoplot(r,rint)做残差图
从残差图可以看出数据的残差离零点的远近，当残差的置信区间均包含零点，这说明回归模型 能较好的符合原始数据，否则可视为异常点。
MATLAB[1] 是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。
MATLAB是matrix&laboratory两个词的组合，意为矩阵工厂（矩阵实验室）。是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。

6. 有人用matlab做过ARMA模型拟合么，参数估计是怎么做的

matlab自带的函数里面有很多可以求解模型参数的函数（具体可参考《matlab在时间序列分析中的应用》，张善文，雷英杰，冯有前编着，电子书很容易搜得到），但是因为我理论掌握的不好，matlab计算的常数项一直是1，所以不知道matlab函数具体用的是什么算法求解的，而我们一般较常见的是用最小二乘法来求解参数，所以为了保持和eviews求解结果一致（这里选择的是最小二乘），我没有用matlab自带函数求解，而是按照最小二乘的求解算法写的，结果是一样了（我觉得不同算法求出来的结果可能本身就不该一样，我没有去深究，不同结果应该都可以作为模型参数，个人理解，不知道对错）。ARMA模型也可以类似处理。
所以我觉得如果题主理论比较好的话，可以看看那本书，函数用法讲解的比较详细，然后用起来应该会很得心应手。

7. ArmA怎么实现持续敬礼

简单方法：EViews6.0的ADFtest自动给出BIC滞后长度。滞后阶数越大，自由度就越小。一般根据AIC和SC取值最小准则来确定阶数。如果AIC和SC并不是同时取值最小，采用LR检验进行取舍。如果时序数据样本容量小，这时AIC和SC准则可能需要谨慎，还是需要根据经验验证。自己的经验看，这时一般比较滞后1、2、3阶基本可以得到较好结果。另外，还可以通过eviews6.0软件确定最大滞后阶数， 在var估计结果窗口中点击view/lag structure/lag length criteria 输入最大滞后阶数，以*号最多的阶数确定滞后阶数。AIC 和SIC 都是人为规定的标准其原理是，当构建模型时，增加自变量的个数会使拟合度增加，但是也会有可能增加无关自变量。人们在减小自变量个数和增加拟合度之间的权衡方法就是AIC和SIC标准。最小的AIC和SIC代表着拟合与自变量个数的最佳权衡。但是因为侧重点，也就是算法不用，往往AIC和SIC所选出的最大滞后不同。

8. Guptasarma线性滤波算法

在电磁场表达式中，存在形如F（r）=f（m）J_i （mr）dm（i=0，1）的积分，称为汉克尔积分。其中汉克尔积分的核函数J_i（mr）为0阶（i=0）或1阶（i=1）贝赛尔函数，对此可使用数值滤波方法进行计算。本文采用Guptasarma和Singh给出的 61点汉克尔J₀变换线性滤波器和47点汉克尔J₁变换线性滤波器进行计算。正演结果表明，这套滤波系数方案有良好的计算精度和计算速度。

使用这套滤波系数，首先需要使用如下公式，将汉克尔积分离散化：

电法勘探成果文集

其中：n为积分区间的长度，C_i为滤波系数。对于J₀，a=-5.0825，s=1.16638303862e-01，使用61点滤波系数（表1）。对于J₁，a=-3.05078187595，s=1.10599010095e-1，使用47点滤波系数（表2）。

表1 含零阶贝赛尔函数积分的61点滤波系数

表2 含零阶贝赛尔函数积分的47点滤波系数

9. ARMA模型的教程

将这三个函数结合在一起还是可以的，目前许多计算软件都能直接顺利完成，比如eviews，matlab中也有一个库。
如果自己手写的话比较麻烦，太多意外的情况需要额外处理，而且最后的定阶过程有好几种算法，建议楼主直接使用现成的库。
本人最近在做一个arma建模的作业，已经被折腾得失去人生意义了。