[统计学]干预分析模型预测法 .pptVIP

* * 第一节 干预分析模型概述 一、干预模型简介 时间序列经常会受到特殊事件及态势的影响，称这类外部事件为干预。 从定量分析的角度来评估政策干预或突发事件对经济环境和经济过程的具体影响。 干预分析与虚拟变量回归分析的区别在于，前者为动态模型，后者为静态模式。 二、干预分析模型的基本形式 （一）干预变量的形式 1.持续性的干预变量 表示T 时刻发生后一直有影响，可用阶跃函数表示， 2.短暂性的干预变量 表示在某时刻发生， 仅对该时刻有影响，用单位脉冲函数 表示 （三）干预事件的形式 1.干预事件的影响突然开始，长期持续下去 设干预对因变量的影响是固定的，从某一时刻T开始，但影响的程度是未知的，即因变量的大小是未知的。 ω表示干预影响强度的未知参数 Yt 不平稳时可以通过差分化为平稳序列 其中B为后移算子 若干预事件要滞后若干个时期才产生影响（b个时期） 2.干预事件的影响逐渐开始，长期持续下去 有时候干预事件突然发生，并不能立刻产生完全的影响，而是随着时间的推移，逐渐地感到这种影响的存在。 更一般模型 最简单情形模型 3.干预事件突然开始，产生暂时的影响 当 时，干预的影响只存在一个时期; 当 时，干预的影响将长期存在。 4.干预事件逐渐开始，产生暂时的影响 干预的影响逐渐增加，在某个时刻到达高峰，然后又逐渐减弱以至消失。 第二节 单变量干预分析模型的识别与估计 一、干预模型的构造与干预效应的识别 单变量时间序列的干预模型，就是在时间序列模型中加进各种干预变量的影响。 平稳化后的单变量序列满足模型 干预事件影响 单变量序列的干预模型 这里 二、干预效应的识别 对实际数据进行干预分析时，主要的困难是观察到的序列现实值是受到了干预变量影响的数据，不能保证自相关函数与偏自相关函数所反映的ARIMA模型是真实的。 （一）根据序列的具体情况和干预变量的性质进行识别 利用干预变量产生影响之前或干预影响过后，也即消除了干预影响或没有干预影响的净化数据，计算出自相关函数与偏自相关函数。首先识别ARIMA模型中的p和q，然后估计出 ， 中的参数。 假定 假定干预模型模式 组合两个模型，得到单变量序列的干预分析模型 或 （二）已知干预影响的情形 假定在模型识别之前，对干预影响已清楚，通过数据分析，能确定干预变量的影响部分 ，并估计出这部分的参数，计算出残差序列。 是一个消除干预变量影响序列，可计算出自相关与偏自相关函数，识别出ARIMA模型的阶数。 三、干预模型建模的思路和具体步骤 思路：利用干预影响产生前的数据，建立单变量的时间序列模型。利用此模型进行外推预测，得到的预测值，作为不受干预影响的数值。最后将实际值减去预测值，得到的是受干预影响的具体结果，利用这些结果可以求估干预模型的参数。