第5章 平稳时间序列模型的建立.pptVIP

第一节 模型识别 选择模型的困难 若?k序列在m步后截尾，即若km,应有?k=0，此时?k的估计量渐近于正态分布。即： 若序列的自相关和偏自相关函数都拖尾，则序列是ARMA模型。 若序列自相关函数和偏自相关函数无以上特征，而是出现缓慢衰减或周期性衰减情况，则说明序列不是平稳的。 自回归移动平均模型ARMA(n,m)的参数矩估计： 将模型分成两个部分，先对AR部分应用Yule-Walker方程，估计出AR部分的参数；然后把参数代入计算得到剩余序列，对剩余序列应用MA模型的参数估计方法。 具体如下: 例: 求ARMA(1,1)模型系数的矩估计 ARMA(1,1)模型 对矩估计的评价 优点 估计思想简单直观 不需要假设总体分布 计算量小（低阶模型场合） 缺点 信息浪费严重 只用到了n+m个样本自相关系数信息，其他信息都被忽略 估计精度差 通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值 原理 使残差平方和达到最小的那组参数值即为最小二乘估计值 对最小二乘估计的评价 优点 最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 缺点 需要假定总体分布 三、极大似然估计（ML） 原理 在极大似然准则下，认为样本来自使该样本出现概率最大的总体。因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达到最大的参数值 似然方程 由于 和 都不是 的显式表达式。因而似然方程组实际上是由n+m+1个超越方程构成，通常需要经过复杂的迭代算法才能求出未知参数的极大似然估计值 对极大似然估计的评价 优点 极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质 缺点 需要假定总体分布 第二节 模型的定阶 自相关函数和偏自相关函数定阶法 自相关函数和偏自相关函数不但可以用来进行模型的识别，同样也可以用来进行AR模型和MA模型的定阶。 残差方差图定阶法 残差方差图定阶法借用了统计学中多元回归的原理。 假定模型是有限阶的自回归模型，如果选择的阶数小于真正的阶数，则是一种不足拟合，因而剩余平方和必然偏大，残差方差也将偏大；如果选择的阶数大于真正的阶数，则是一种过度拟合，残差方差并不因此而显著减小。 AR、MA、ARMA三种模型的残差方差估计式分别为： F检验定阶法 基本过程： 对N个独立的观察值，建立回归模型： 若舍弃后面s个因子，另建一个回归模型： 检验舍弃的回归因子对Y的影响是否显著，等价于检验原假设： 最佳准则函数定阶法 对于AR模型，AIC函数可取： BIC定阶(SIC定阶) 理论上AIC准则不能给出模型阶数的相容估计，即当样本趋于无穷大时，由AIC准则选择的模型阶数不能收敛到其真值（通常比真值高）。另一个定阶选择是BIC准则： 对于AR模型： 还可以定义其它类型的准则函数，如 第四节 模型的适应性检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效 三、χ2检验法 模型优化 问题提出 当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。 优化的目的 选择相对最优模型 第七章 非平稳时间序列分析 前几章讨论的都是平稳时间序列，然而在实际应用中，特别是在经济和商业中出现的时间序列大多是非平稳的，如非常数均值的时间序列，非常数方差的时间序列，或者二者皆有。 第三节 平稳化方法 本节介绍三种常用的平稳化方法：差分、季节差分以及对数变换与差分结合运用。 普通差分 过差分 足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息 但过度的差分会造成有用信息的浪费 例1 假设序列如下 比较 例2 假设序列如下 第六节 实例分析 第五节 建模的其它方法 一.Pandit-Wu建模法 思想：逐渐增加模型的阶数，拟合较高阶模型，直到再增加模型的阶数而剩余平方和不显著减小为止。 二.用长阶自回归法建立近似模型 理论依据：任一序列，都可以用一个足够高阶的AR模型来逼近到我们所要求的精度。 Durbin h检验 DW统计量的缺陷 当回归因子包含