时间序列模型识别举例.ppt

* 时间序列模型识别举例 AR（p）过程的ACF（拖尾）、 PACF（P步后截尾） MA( q ) 过程的ACF（ q步后截尾）、 PACF（拖尾） ARMA(p,q)过程的ACF（拖尾）、PACF（拖尾） 总结：AR（p）、 MA( q ) 、 ARMA(p,q)过程的自相关、偏自相关函数的特征： 例: ◆自相关和偏自相关的数值及分析图 （可以检验序列是否平稳；模型的类型及阶数） 例1：检验中国支出法GDP时间序列的平稳性（单位：亿元） Quick / Series Statistics / Correlogram 在出现的对话框中输入欲分析的序列名称，如GDP 点击OK弹出相关图定义对话框（对话框左面要求用户选择是否对序列差分，如：level表示不差分,OK）。 检验序列是否平稳 结果分别表示:自相关分析图、偏自相关分析图、滞后期K、AC自相关系数、偏自相关系数、独立性检验的Q统计量、P值 1978~2000年间中国GDP时间序列是非平稳序列(如果序列的自相关系数很快地（如滞后期K=2，3）趋于零，即落入随机区间，则平稳） 例2：中国改革开放以来，财政收入受税收的影响越来越大，下表给出了1978—2002年中国财政收入Y与税收X的数据。 (1)用样本相关图判断Yt、Xt、lnYt、lnXt的平稳性; (2)用样本相关图判断lnYt、lnXt的一阶差分的平稳性 Quick / Series Statistics / Correlogram 在出现的对话框中输入欲分析的序列名称，如Y；点击OK弹出相关图定义对话框，选择level（表示不差分）。 自相关函数缓慢下降且呈正弦波型。中国财政收入Y序列是非平稳的。 自相关函数缓慢下降且呈正弦波型。税收Xt 序列是非平稳的。 同样讨论可得：lnYt、lnXt序列都是非平稳的（图形略）. * * * 亿