时间序列模型课件.ppt

第十二章 时间序列模型 §12.1 时间序列定义 §12.2 时间序列模型的分类 §12.3 时间序列模型的建立 §12.4 时间序列模型的识别 §12.5 时间序列模型的估计 §12.6 时间序列模型的检验 §12.7 时间序列模型的预测 §12.8 案例分析 §12.9 回归与ARMA组合模型 时间序列分析方法由Box-Jenkins (1976) 提出。 这种建模方法不以经济理论为依据，而是依据变量自身的变化规律，利用外推机制描述时间序列的变化。 注意序列的平稳性。如果时间序列非平稳，应先通过差分使其平稳后，再建立时间序列模型。 估计ARMA模型方法是极大似然法。 对于给定的时间序列，模型形式的选择通常并不是惟一的。在实际建模过程中经验越丰富，模型形式选择就越准确合理。 §12.1 时间序列定义 一、随机过程与时间序列 二、平稳性 三、非平稳性 四、补充：差分算子与滞后算子 五、两种基本的随机过程：白噪声和随机游走 随机过程：随时间由随机变量组成的一个有序序列称为随机过程，用{xt，t∈T}表示，简记为{xt}或xt 。 时间序列：随机过程的一次观测结果(一次实现),时间序列中的元素称为观测值。时间序列也用{xt，t∈T}表示，简记为{xt}或xt 。 协方差平稳过程（covariance stationary process） 如果一个随机过程xt满足以下性质， (1) 均值： E(xt) = ? (常数) (2) 方差： var(xt) = ?2 (常数) (3) 自协方差：?k= E[(xt -?) (xt+k -?) ] = ?k 2 （一种更为简便的方法是用自相关系数来描述自协方差，即通过自协方差除以方差进行标准化后而得到ρk=rk /r0。） 这时称xt是协方差平稳过程，也称宽平稳或弱平稳过程。 单整过程（unit root process） 1. 白噪声（white noise）过程 若随机过程{xt}(t?T ) 满足以下条件则称为白噪声过程 (1) E(xt) = 0 (2) Var (xt) = ? 2 ? ? , t?T (3) Cov (xt, xt - k) = 0, (t - k ) ? T , k ? 0 2. 随机游走（random walk）过程 对于xt=xt -1+ut，若ut 为白噪声过程，称xt 为随机游走过程。 随机游走过程的均值为零，方差为无限大。 xt = xt -1 + ut = ut + ut-1 + xt -2 = ut + ut-1 + ut-2 + … (1) E(xt) = E(ut + ut-1 + ut-2 + …) = 0, (2) Var(xt) = Var(ut + ut-1 + ut-2 + …) = ? ? 随机游走过程是非平稳的随机过程。 对随机游走进行一阶差分，可将其转化为平稳过程。 ?xt= xt- xt-1= ut §12.2 时间序列模型的分类 一、自回归过程AR(p) 二、移动平均过程MA(q) 三、自回归移动平均过程ARMA(p,q） 四、单整自回归移动平均过程ARIMA(p,d,q ) 一、自回归过程AR(p) 1. p阶自回归过程 AR (p) xt=?1xt -1+?2 xt -2+…+?p xt -p+ut 其中：?i , i = 1, … p 是自回归参数，ut 是白噪声过程。 xt是由它的p个滞后变量的加权和以及ut相加而成。 上式用滞后算子表示为：(1-?1L-?2L2-…-?pLp)xt =??L)xt=ut ??L)=1-?1L-?2L2-…-?pLp 称为特征多项式或自回归算子 2. AR(1)过程分析 xt=?1xt-1+ut 平稳性的条件是特征方程 (1-?1L)=0根的绝对值必须大于1，满足 |1/?1|? 1，也就是 |?1| 1 xt=ut +?1ut-1+?12xt-2=ut+?1ut-1+?12ut-2+…（短记忆过程） 因为ut 是一个白噪声过程，所以对于平稳的AR