一般建立随机线性模型的标准手法论文.docVIP

《应用时间序列》 课程小论文： 针对某地区1983—2005年各季度的实际国内生产总值数据的时间序列问题，用spss软件曲线估计方法建立随机线性模型 数学与信息科学学院08级统计学 小组成员：易成栋 200812217 胡斌 200812218 赵仓仓 200812219 郭照璞 200812222 针对某地区1983—2005年各季度的实际国内生产总值数据的时间序列问题，用spss软件曲线估计方法建立随机线性模型 一般建立随机线性模型的标准手法 时间序列分析在工程技术中有重要的作用，常用于做预报、控制等。为建立其随机线性模型，首先，我们应明白什么是时间序列：时间序列是随机序列，即参数离散的随机过程。由于工程中遇到的随机序列的参数经常为时间，故称随机序列为随机时间序列，简称时间序列。可以说，时间序列是随时间改变而随机变化的序列。平稳时间序列是平稳序列，它满足期望为零，且任意两个时刻的相关函数与时间t无关，仅与两个时刻的时间差相关。本文主要介绍平稳时间序列的随机线性模型的建立。 为建立平稳时间序列的随机线性模型；我们应掌握以下基本知识： 一．基本知识 1）两个重要参数及其性质 A：自相关函数ρk=rk/r0 自相关函数刻划了任意两个时刻之间的关系。 B: 偏相关函数φkk 偏相关函数刻划了平稳序列任意一个长k＋1的片段在中间量固定的条件下，两端的线性密切程度。 与他们相关的性质有：拖尾性和截尾性。 拖尾性：指它们随k无限增长以负指数的速度趋向于0，其图像像拖一条尾巴。 截尾性：指它们在kn或km后，其值变为零，其图像像截断了的尾巴一样。 2）平稳时间序列的线性随机模型的三种重要形式 { at }为白噪声。这三种形式可以描述如下： A：AR（m） ωt-φ1ωt-1-φ2ωt-2-…-φpωt-n=at AR（n）模型有p＋2参数刻画; B: MA(m)滑动平均模型 ωt = at –θ1at-1 –θ2at-2 -…-θqat-m MA(m)模型有m＋2参数刻画; C: ARMA(n,m)混和模型 ωt-φ1ωt-1-φ2ωt-2-…-φpωt-p= at –θ1at-1 –θ2at-2 -…-θqat-m ARMA(n,m)混和模型有p＋q＋3参数刻画； 其实，我们可以把AR(n)和MA(m)模型看成APMA(n,m)的两种特例。 3）三种形式和两个重要参数的关系 三种model和两个重要参数的关系有如下表的关系： model function AR(n) MA(m) ARMA(n,m)ρk 拖尾 k=m处截尾 拖尾 φkk k=m处截尾 拖尾 拖尾 依据上表，我们可以跟据ρk和φkk判别模型类别。 二．建模 掌握上述基本知识后，下面我们来看看具体如何建立平稳时间序列的随机线性模型。此过程可以分为五步，具体如下： 对一个时间序列作n次测量得到一个样本Z1，Z2，… ,Zn,一般取n50； 数据预处理：作ωt = Zt – (=为样本数据的算术平均值)，得到n个数据：ω1,ω2，… , ωn； 计算样本自协方差函数，样本自相关函数，偏相关函数数值， k=0,1,2,…,k；一般取kn/4,常取k=n/10； 其中样本自协方差函数，样本自相关函数都是相对于样本定义的。 样本自协方差函数： ＝（ω1ω1+k+ω2ω2+k+…+ωn-kωn） = / 4.模型识别：按样本自相关函数和样本偏相关函数的值分别作出点图，按“截尾”，“拖尾”情况，查表确定模型的类别与阶数n，m。其具体的做法如下： 理论上，线性模型的类别的确定可以根据φkk和ρk的拖尾性和截尾性来判别。但是在实际应用中，我们常用有一个样本算出的＝ρk，＝φkk判别ρk，φkk是拖尾还是截尾的。随机线性模型的三种形式：AR(n) ，MA(m) ，ARMA(n,m)的判别分别如下： 1）若ρk拖尾，φkk截尾在k=n处，则线性模型为AR(n)模型。ρk拖尾可以用的点图判断，只要样本自相关函数的绝对值愈变愈小（k增大时）；但是，用样本偏相关函数判断φkk 截尾在k=n处应该如何作呢？因为kn时，样本偏相关函数不为零，而偏相关函数φkk=0，这就给判断带来一定的困难。我们可以采用一下方法解决：当kn时，平均20个样本偏相关函数中至多有一个使|| ≥2/,则认为φkk截尾在k=n处，其理论依据为： 定理：对于具有AR（