平稳时序模型性质.ppt

通过上式可以看出，ARMA(1,1)过程的自相关 函数具有AR(1)过程和MA(1)过程的组合特性。 当k=1时，自相关系数由φ1和θ1共同决定。 当k≥2时，自相关系数仅取决于φ1即差分方程 φ(B)=0的根，呈指数衰减。 ARMA(1,1)过程的PACF ARMA(1,1)过程的PACF和它的ACF一样， 也是呈指数衰减，不过指数衰减的形态 由φ1和θ1共同决定，因此指数衰减的形 态比MA(1)过程PACF指数衰减形式更多。 平稳条件与可逆条件 ARMA(p,q)模型的平稳条件 P阶自回归系数多项式 的根都在单位圆外 即ARMA(p,q)模型的平稳性完全由其自回归部分的平稳性决定 ARMA(p,q)模型的可逆条件 q阶移动平均系数多项式 的根都在单位圆外 即ARMA(p,q)模型的可逆性完全由其移动平滑部分的可逆性决定 传递形式与逆转形式 传递形式 逆转形式 ARMA(p,q)模型的统计性质 均值 协方差 自相关系数 ARMA模型的相关性 自相关系数拖尾 偏自相关系数拖尾 ARMA(p,q)过程的ACF 由上推导可以得出结论： ARMA(p,q)模型的自相关函数滞后q阶后拖尾。 当k≤q时，即前q项自相关系数ρq,ρq-1…ρ1取 决于自回归和移动平均的参数。 当k≥q+1时，它仅取决于中自回归的参数， 即φ(B)=0的根，呈指数衰减或阻尼正弦 波衰减，而与移动平均的参数无关。 ARMA(p,q)过程的PACF ARMA(p,q)过程的PACF的一般形式 比较复杂，由于它包括MA过程这个 特例，所以它的PACF也由θ(B)=0的 根确定，呈混合指数衰减或阻尼正弦 波衰减。 既然ARMA(p,q)模型的ACF和PACF都 呈拖尾形态，那么我们要通过一个时间 序列的样本自相关图判断ARMA模型的 阶数就比较困难。 但是如果通过样本自相关图得到一个时 间序列的ACF和PACF都呈拖尾形态， 那么我们至少能判断出该过程不是纯AR 或纯MA过程，而是混合ARMA过程。 至于模型阶数的确定，第五章将作介绍。 例3.7:考察ARMA模型的相关性 拟合模型ARMA(1,1): 并直观地考察该模型自相关系数和偏自相关系数的性质。 自相关系数和偏自相关系数拖尾性 样本自相关图 样本偏自相关图 ARMA模型相关性特征 模型 自相关系数 偏自相关系数 AR(P) 拖尾 P阶截尾 MA(q) q阶截尾 拖尾 ARMA(p,q) 拖尾 拖尾 * * * 常用MA模型的自相关系数 MA(1)模型 MA(2)模型 MA(1)过程的自相关函数ACF 模拟产生的250个数据的如下MA(1)过程 的趋势图和自相关图： 模拟产生的250个数据的如下MA(1)过程 的趋势图和自相关图： MA(2)过程的自相关函数ACF MA(q)过程的自相关函数(ACF) 因而： MA(q)过程的自相关函数是滞后 q阶截尾的。 例3.6:考察如下MA模型的相关性质 MA模型的自相关系数截尾 MA模型的自相关系数截尾 MA模型的统计性质 偏自相关系数拖尾 样本偏自相关函数（SPACF） 样本偏自相关函数有如下递推公式： MA(1)过程的偏自相关函数PACF 我们介绍了求偏自相关的递推公式如下： 由上推导可得出如下结论： 在可逆性条件满足情况下,MA(1)过程的PACF 呈指数拖尾。 如果θ10,那么PACF都为负，且呈指数衰减； 如果θ10,那么PACF正负交替呈指数衰减。 MA(2)过程的偏自相关函数(PACF) 对于MA(2)过程，我们有如下结论： 如果其特征方程:1－θ1B－θ2B2=0 的根是实数，则φkk是两个衰减指数 的和；如果其根是复数，则φkk 是一 衰减的正弦波。 MA(q)过程的偏自相关函数（PACF） 要用明确的公式表示出MA(q)过程的自相关函数是很困难的，但是从前面我们对MA(1)、MA(2)的讨论中，可以看出：MA(q)过程的偏自相关函数是由 的根确定的，呈混合指数衰或阻尼正弦波衰减。 MA模型的偏自相关系数拖尾 MA模型的偏自相关系数拖尾 自回归移动平均过程的性质 ARMA模型的定义 具有如下结构的模型称为自回归移动平均模型，简记为 特别当 时，称为中心化 模型 系数多项式 引进延迟算子，中心化 模型又可以简记为 阶自回归系数多项式 阶移动平均系数多项式 ARMA(1,1)的性质 ARMA(1,1)过程的平稳性和可逆性 2.ARMA(1,1)过程的ACF 偏自相关系数的截尾性 AR(p)模型偏自相关系数P阶截尾 AR(2)过程的偏自相关函数 通过上述证明可以