时间序列是按照时间顺序取得的一系列观察值,时间序列数据的本质特征就是相邻观察值之间的依赖性。所以在对时间序列数据进行分析时,一般的回归模型难以体现变量自身前后及应变量与自变量过去的依赖关系。ARIMA模型是对变量自身前后依赖性进行分析的技术,它描述了变量自身当前与过去的统计依赖关系,在显示变量的动态系统(dynamical system)演变规律方面有着较为丰富的结构。但是由于ARIMA模型没有考虑其它变量对应变量的作用,所以也无法表达系统中变量间相互影响的关系。传递函数模型可在一定程度上弥补这两种模型的欠缺,并且模型构造灵活,可以用较少的参数建立阶数较高的模型。
当ARIMA模型包括其它时间序列作为输入变量时,被称为传递函数模型(transfer function model)、多变量时间序列模型(multivariate time series model)、ARIMAX模型或Box-Tiao模型。传递函数模型是ARIMA模型的自然推广,Pankratz统称这种包含其它时间序列作为输入变量的ARIMA模型为动态回归。传递函数模型由George ***和Gwilym M. Jenkins于七十年代在ARIMA模型的基础上提出,Box-Tiao也曾经对其作过详细讨论。传递函数模型在形式上可以看作是ARIMA模型与回归模型的结合,这种模型能清晰的刻画变量间动态影响的过程。作为多元回归模型的推广,传递函数模型建模的假定较少,容易得到满足,在现实的系统中有着广泛的应用。
使用传递函数模型对时间序列进行分析,最大的意义在于提高预测精度。在利用一个时间序列在某时刻的有效观察值去预报在某个未来时刻该序列的值时,若能够确定出输入时间序列及输入时间序列和输出时间序列之间的动态关系,则可以输入时间序列和输出时间序列的过去值对输出时间序列作出预报。由于传递函数模型是在利用ARIMA模型理论基础上,同时将输入序列的变化对输出序列预测值的影响充分的加以考虑,所以可以使预报误差大大降低。
本文中,我们将利用传递函数模型对医院业务收入的影响因素进行分析,同时还要对医院业务收入进行预测,并将传递函数模型的预测结果与实际值和ARIMA模型的预测结果进行比较。
暂无评论