数据转换
为什么转换？
你可以将时间序列转换为:
感兴趣的隔离时间分量。
除去滋扰分量的影响（如季节性变化）。
做一个系列固定。
减少虚假的回归效应。
稳定随系列级别增长的可变性。
使两个或多个时间序列更具直接可比性。
您可以将许多数据转换中进行选择，以解决这些（和其他）目的。
例如，你可以使用分解方法来描述和估计时间序列的组件。季节性调整是可以使用删除滋扰季节性成分的分解方法。
趋势化和差异是由于趋势平均转换您可以使用地址非平稳性。差异也可以帮助去除伪回归的效果，由于协整关系。
通常，如果您在对数据建模之前应用数据转换，那么您需要对模型预测进行反向转换，以返回到原始规模。如果要对差异平稳数据进行建模，那么在Econometrics Toolbox™中没有必要这样做。使用华宇那些不是模型集成系列先天的求差。这方面的一个主要优势是，华宇还对原有规模自动返回预测。
通用数据转换
消除趋势
一些非平稳序列可以建模为一个确定性趋势之和平稳随机过程。也就是说，你可以写系列ÿŤ如
哪里 是一个均值为零的平稳随机过程。
确定性趋势,μŤ，可以有多个组件，如非季节性组件和季节性组件。您可以反趋势(或分解)数据，以识别和估计它的各种组件。非趋势过程如下:
估计确定性趋势分量。
删除从原始数据中的趋势。
（可选的）模型中的剩余的残留系列与适当的平稳随机过程。
有几种技术可以用来估计趋势分量。您可以使用最小二乘法参数化地估计它，使用过滤器(移动平均线)非参数化地估计它，或者两者的结合。
非趋势收益率估计的所有趋势和随机成分，这可能是可取的。然而，估计趋势成分可能需要做出额外的假设，执行额外的步骤，以及估计额外的参数。
差分
差异是从非平稳序列去除平均趋势的替代改造。这种方法是在箱詹金斯方法型号规格主张[1]。根据这一方法，第一步建立模型的差分数据，直到它看上去静止。差异是适合除去随机趋势(例如，随机漫步)。
定义第一个区别是
其中Δ被称为差分操作。在滞后操作符符号中，其中
您可以通过创建滞后算子多项式的对象LagOp。
类似地，定义该第二差作为
像取导数，以第一差异使得线性趋势常数，取第二差使得二次趋势恒定，等等更高次多项式。许多复杂的随机趋势，也可以通过采取较低阶差分消除。服用d差异形成一个过程d单位根固定。
对于季节周期性系列，季节性差异可以处理季节单位根。对于具有周期性的数据小号例如，季度数据有小号= 4，月数据有小号= 12)，季节差分算子定义为
使用差分转换省去了消解趋势所需要的中间估计步骤。但是，这意味着你无法获得趋势和随机成分分别进行估算。
对数变换
对于具有指数增长和随级数水平增长的方差的级数，一个对数变换可以帮助线性化和稳定级数。如果在时间序列中有负值，那么在进行对数变换之前，应该添加一个足够大的常数，使所有的观察值都大于零。
在某些应用领域，有求差，记录一系列的工作是常态。例如，a的第一差异记录时间序列，
大致利率的变化的系列。
价格、收益和复利
的价格序列变化率被称为回报。而价格序列通常不上下波动恒定的水平，收益率序列通常看起来是静止的。因此，收益率序列通常用于替代在许多应用中价格序列。
有时发表示连续的价格观察Ť和Ť+ 1如ÿŤ和ÿŤ+ 1， 分别。该连续复利级数是变换后的级数
这是木材价格系列的第一个差异，有时也被称为对数收益。
价格系列的替代改造简单的回报，
对于具有相对高的频率（例如，每天或每周观测）系列，两个转变之间的差是小的。计量经济学工具箱有price2ret对于价格序列转换为返回系列（带是连续的或简单的配混）和ret2price对于逆操作。
参考文献
[1]盒，G. E. P.，G. M.詹金斯，和G. C.赖因泽尔。时间序列分析：预测与控制。第3版。新泽西州Englewood Cliffs：Prentice Hall出版社，1994年。
也可以看看
相关的例子
更多关于
你也可以从以下列表中选择一个网站:
