在R语言中模拟SARIMA模型并通过OLS进行参数估计的技术问询

嘿，看起来你已经成功模拟出了带有两个周期成分的时间序列！其实你的模型是一个线性趋势+周期成分+白噪声的结构，完全可以用普通最小二乘法（OLS）通过线性回归来估计参数。下面我一步步帮你实现：

步骤1：明确模型结构 #

先把你的模拟模型写清楚，方便对应到线性回归形式：

x[i] = a0 + a1·cos(ω₁i) + b1·sin(ω₁i) + a2·cos(ω₂i) + b2·sin(ω₂i) + ε[i]
其中：

• ω₁ = π×0.02×j₁ = 0.02π（因为j₁=1）
• ω₂ = π×0.02×j₂ = 0.08π（因为j₂=4）
• ε[i]是标准差0.1的白噪声

这个模型是线性参数模型，所有待估计的参数（a0,a1,a2,b1,b2）都是线性出现的，所以OLS完全适用。

步骤2：构造回归所需的自变量 #

我们需要为每个时间点i生成对应的三角函数项，然后把它们作为线性回归的自变量。结合你已有的代码，完整的实现如下：

# 1. 设定参数
a0 <- 2
a1 <- 0.7
a2 <- 0.5
b1 <- 0.3
b2 <- 0.4
j1 <- 1
j2 <- 4
sd_eps <- 0.1
n <- 102

# 2. 模拟白噪声和时间序列
set.seed(123) # 设置随机种子，让结果可重复
eps <- rnorm(n, mean = 0, sd = sd_eps)
i <- 1:n # 时间索引
omega1 <- pi * 0.02 * j1
omega2 <- pi * 0.02 * j2

x <- a0 + a1*cos(omega1*i) + b1*sin(omega1*i) + a2*cos(omega2*i) + b2*sin(omega2*i) + eps
plot(x, main = "模拟的周期时间序列")

# 3. 构造自变量矩阵
cos_omega1 <- cos(omega1*i)
sin_omega1 <- sin(omega1*i)
cos_omega2 <- cos(omega2*i)
sin_omega2 <- sin(omega2*i)

# 4. 用OLS拟合线性回归模型
lm_model <- lm(x ~ 1 + cos_omega1 + sin_omega1 + cos_omega2 + sin_omega2)

# 5. 查看估计结果
summary(lm_model)

步骤3：解读结果 #

运行上面的代码后，summary(lm_model)会输出详细的回归结果，其中：

• (Intercept)对应的系数就是a0的估计值
• cos_omega1对应的系数是a1的估计值
• sin_omega1对应的系数是b1的估计值
• cos_omega2对应的系数是a2的估计值
• sin_omega2对应的系数是b2的估计值

你会发现估计值和你设定的真实参数非常接近（因为我们设置了随机种子，结果可重复），这说明OLS很好地还原了模型参数。

额外说明 #

• 我把你的模拟代码做了一点优化：用向量运算替代了循环，R中向量运算比循环高效得多，尤其是当样本量很大的时候。
• 设置set.seed()可以让你的模拟和估计结果固定，方便调试和复现。

内容的提问来源于stack exchange，提问作者Mister X