平稳时间序列预测.pptVIP

第六章 平稳时间序列预测 第一节 平稳时间序列预测概念 第二节 最小均方误预测 第三节 条件期望预测 第四节 适时修正预测 第一节 平稳时间序列预测的概念 第二节 最小均方误预测(正交投影预测) 一、最小均方误差预测概念 二、平稳ARMA模型最小均方误预测的推导 第三节 条件期望预测 一、条件期望预测的一般公式 二、用条件期望进行预测 1.AR模型的条件期望预测 设AR(1)模型如下: 预测举例： 例1：利用对mlpm所建立的模型进行预测。 先对原序列零均值化， 然后建模如下： 已知： 2、MA模型的条件期望预测 ARMA(p,q)模型条件期望预测的一般结果 设： ARMA(p,q)条件期望预测的置信区间 前已证明，条件期望预测与最小均方误预测是一致的，因此，预测误差和误差方差也是相同的。 因此，条件期望的预测误差为： 例2 已知某地区每年常驻人口数量近似服从MA(3)模型（单位：万）： 最近3年的常驻人口数量及一步预测数量如下： 预测未来5年该地区常住人口的95％置信区间 随机扰动项的计算 估计值的计算 预测方差的计算 置信区间的计算 第四节 适时修正预测 一、问题的提出 二、适时修正预测公式 1、适时修正预测公式的推导 （1）适时修正预测公式 利用Eviews软件对ARMA模型进行预测 在Eviews中利用ARMA模型进行预测。 （1）Eviews中进行预测时的两个选项。Dynamic—动态预测。（含义） Static—一步超前预测。（含义） Dynamic选项从预测样本的第一项开始，计算多步预测值（multi-step forecasts）. Static选项则计算一系列向前一步的预测值(1-step-ahead forecast)，此时，每生成一个预测值，就将样本范围向前移动一个观测值，以便将真实值而非预测值作为滞后因变量。 对于ARMA模型： 若对序列进行拟合分析(即追溯预测)，则选static。 若向前l步预测，则要选dynamic，并且要先对工作区间、样本区间进行调整如下： (1)expand @first t+l (2)smpl t+1 t+l 磨轮剖面例，根据前面的分析，由1-250期间的样本数据建立AR(2)模型 Ls mlpm c ar(1) ar(2) 在模型窗口点击forecasts，对序列进行拟合： 若对251-259期的观测值外推预测，在估计出上述模型的基础上。 首先，将原序列的工作期间扩展 Expand 1 259 然后，将样本期间修改如下： Smpl 251 259 最后，在模型输出窗口，点击foreast.. 置信区间的计算，并查看结果 Genr u95=yf+2*se Genr l95=yf-2*se 上机练习： 1.操作文件gdpindex.wf1 对我国经济增长dlngdp时间序列进行建模 对原序列进行追溯预测，并对预测结果评价 对2009-2011年进行外推预测，并写出预测结果及95%置信区间。 选动态预测 第251-259期的预测结果及 相应的标准差存放于此。 * MA(q)模型预测方差为 （1）向前一步预测(l=1)： 对上式两端求条件期望得： (3)向前l步预测公式(l≤p，且l ≤q) (4)向前l步预测公式(lp，且l q) 预测误差的方差为： 其中： =1时的预测误差为： 于是有： 可见ARMA模型中白噪声项εt其实就是以xt-1为原点， 向前一步预测误差。 预测误差和白噪声项的关系： 再由预测误差方差的公式得： 可见：向前一步预测误差的方差其实就是白噪声项的方差。 109 105 2004 100 108 2003 110 104 2002 预测人数 统计人数 年份 （86，114） 2008 （87，115） 2007 （86，114） 2009 （83，109） 2006 （99，119） 2005 95％置信区间 预测年份 例3. 对一个包含250个数据的序列xt建立下ARMA(2,1)模型： 已知： （1）求预测值 解： ε250未知，故需先将其求出。 由已知数据得： 同理： 因此： （2）求预测值的95%的置信区间： 由ARMA(2,1)模型的格林函数得： 所以预测值的95%的置信区间为： 由于 2、适时修正预测公式的推导： 综合上述推导，可得适时修正预测公式为： 上述公式说明：新的预测值是在旧的预测值 的基础上，加上一个修正项推算出来的，而 这一个修正项比例于旧的一步预测误差，比 例系数随着预测超前步数的变化而变化。 例：对于例1中的AR(2)模型。 解： 适时修正预测公式为： 所以： 具体操作见演示。 保存预测值 保存预测值的标准差 对原序列进行拟合， 选择静态预测 输出预测图及预测评价