Documentos de Académico
Documentos de Profesional
Documentos de Cultura
全球二氧化碳排放量模型配適
目錄
一. 諸論
二. 資料分析
2.1 流程簡述
2.2 模型配適
2.3 參數估計
2.4 模型診斷
2.5 預測
三. 結論
授課老師:周若珍 教授
作者:謝宗震 9624515
2008/5/4
一、諸論
儘管有證據顯示,二氧化碳是地球暖化和破壞的生態系統變因之一,但其排放量則是在近年來顯著
本文主要想討論的問題是,如何利用這筆資料與時間序列課程中所學的方法,加以應用與切合。嘗試
用時間序列模型配適該筆資料,再進一步預測未來數年可能的值,最後依據二氧化碳排放量之成長
趨勢分析其結果。至於配適的過程請參閱第二章,分析結果請參閱第三章。
Million Tons of Carbon Dioxide
1400
300
1000
100
600
1850 1860 1870 1880 1890 1900 1900 1910 1920 1930 1940 1950
Time Time
(a) (b)
Million Tons of Carbon Dioxide
6000
2000
0
1950 1960 1970 1980 1990 2000 1850 1900 1950 2000
Time Time
(c) (d)
2.1 流程簡述
y_t sqrt(y_t)
8000
sqrt(data1)
60
data1
4000
20
0
Time Time
(a) (b)
log(y_t)
4 5 6 7 8 9
log(data1)
(b) yt .
(c) log( yt ).
1850 1900 1950 2000
Time
(c)
2.2 模型配適
由 Fig.2 (a)可以發現二氧化碳排放量增長速率極快,所以我們在做模型配時前,可以考慮把數列
開根號或是取自然對數。很顯然的,把原始數列取根號或對數之後,該數列變得較接近一條斜直
線。如此,配適之模型應該較不複雜。又因為取對數之後的值較小,且遇過把數列取自然對數 ( z )
t
之後再來分析的經驗較豐富,故我們選擇把原始數列取對數來做分析。由 Fig.3 (a)可以知道,
,即該數列存在強烈正相關,故應考慮時間序列模型來配適。
1 0.98, 2 0.95, 3 0.93
0 5 10
z_t
8
4 5 6 7 8
lco2
7
lco2
6
Time
4
lag 1
z_t
8
1.0
7
ACF
lco2
0.0
6
-1.0
5
0 5 10 15 20
4
lag 2 Lag
z_t
8
1.0
7
Partial ACF
lco2
0.0
6
5
-1.0
5 10 15 20
4
lag 3
Lag
(a) (b)
0.0 0.2
lco2.d1
lco2.d2
-0.15 0.00
-0.3
1860 1880 1900 1920 1940 1960 1980 1860 1880 1900 1920 1940 1960 1980
Time Time
1.0
ACF
ACF
0.0
0.0
-1.0
-1.0
0 5 10 15 20 0 5 10 15 20
Lag Lag
1.0
Partial ACF
Partial ACF
0.0
0.0
-1.0
-1.0
5 10 15 20 5 10 15 20
Lag Lag
(c) (d)
作為第三個初步的模型。
2.3 參數估計
M1. AR(1)
由 mle 法得知
M2. ARIMA(0,1,0)
M3. ARIMA(2,2,1)
由 mle 法得知
1
-1
-1
-3
-3
0.4 0.8
ACF
ACF
-0.2
-0.2
0 5 10 15 20 0 5 10 15 20
Lag Lag
0.8
p value
p value
0.4
0.4
0.0
0.0
2 4 6 8 10 2 4 6 8 10
lag lag
(a) (b)
M1 M3
order (1,0,0) (2,2,1)
̂ 2 by CSS 0.003953 0.002789
log likelihood by CSS 183.72
207.26
三種配適模型殘差符合無自我相關。
在 Shapiro-Wilk 常態檢定下 M1, M3 均得出不出自常態分布。
由 Pak. J. Inform. and Technol. 2003 知 Shapiro-Wilk test 有較大的檢定力,故得知三種配適模型
之殘差均不出自常態分布。
由 ̂ 2 、log likelihood 、AIC、BIC,選取 M3 來配適似乎會有較佳的結果的( ̂ 2 最小、log
likelihood 最大、AIC 與 BIC 均最小)。
2.5 預測
M1 M3
Year Real data Forecasts S.E. Forecasts S.E.
1991 8.7502 8.7162 0.062 8.7432 0.052
6 8
1992 8.7302 8.7154 0.088 8.7717 0.075
6 3
1993 8.7328 8.7146 0.108 8.7991 0.090
5 3
1994 8.7553 8.7138 0.125 8.8263 0.104
2 6
1995 8.7776 8.7130 0.140 8.8536 0.118
0 6
1996 8.8022 8.7122 0.153 8.8810 0.132
3 2
1997 8.8305 8.7114 0.165 8.9083 0.145
6 5
1998 8.8229 8.7106 0.177 8.9357 0.158
0 6
1999 8.8253 8.7098 0.187 8.9630 0.171
7 6
2000 8.8509 8.7090 0.197 8.9903 0.184
8 7
2001 8.8701 8.7082 0.207 9.0177 0.197
4 7
2002 8.8772 8.7074 0.216 9.0450 0.210
6 7
2003 8.9232 8.7066 0.225 9.0724 0.223
4 9
2004 8.9759 8.7058 0.233 9.0997 0.237
9 0
2005 9.0077 8.7050 0.242 9.1270 0.250
0 3
2006 9.0335 8.7041 0.249 9.1544 0.263
9 7
RMSE 0.6717 0.4435
MAE 2.2027 1.6368
三、結論
由 Fig.6 可以發現,全球二氧化碳的排放量完全沒有降低的趨勢,且呈現驚人的指數遞增型式,也就
是說將資料取對數之後,理當是一條斜值線產生。故可以利用迴歸配適出 1851-2100 二氧化碳的排放
模型,即 Fig.5 的曲線 C。
這條曲線稍有高估,卻也不失為一個好的估計,然而本篇文章主要是在探討時間序列的方法,因此
不此多做著墨。
CO2 emissions
B:forecasts 2007-2100
C:Regression fit
40000
data1
20000
0
Time
Fig.6 CO2 emissions 1900-2006 and forecast 2007-2100
四、參考文獻
1. Box, G.E.P., Jenkins, G.M., and Reinsel, G.C. (1994). Time Series Analysis: Forecasting and Control,
third edition. Prentice Hall, Upper Saddle River, N.J.
2. Shumway, R.H., Stoffer, D.S., (2006). Time Series Analysis and Its Applications With R Examples,
second edition. Springer Texts in Statistics.
3. 林茂文(2006). 時間數列分析與預測, 第三版. 華泰文化事業股份有限公司, 台北.
4. Carbon Dioxide Emissions Accelerating Rapidly. http://www.earth-policy.org/
5. AIT 不願面對的真相 官方部落格: http://www.iamcool.net/AIT/blog/8838