第四章平稳时间序列模型的建立解析.ppt

Pandit -Wu建模策略 任一平稳序列总可以用一个ARMA(n,n-1)模型来表示，而AR(n),MA(m)以及ARMA(n,m)(m不等于n-1)都是ARMA(n,n-1)模型的特例。 建模思想可概括为：逐渐增加模型的阶数，拟合较高阶ARMA(n,n-1)模型，直到再增加模型的阶数而剩余平方和不再显著减少为止。 Pandit -Wu建模策略 目的是减少建模的搜索次数。策略可概括为： 1. 按照ARMA(2n,2n-1) 拟合模型，即当n?n+1时，模型增加2阶，理由是过程的基点往往是成对的。 2. 检查ARMA(2n,2n-1) 模型的高阶项参数 和 的绝对值是否很小，它们的置信区间是否包含零在内。若是，则进一步拟合下降一阶后的模型ARMA(2n-1,2n-2)，并用F检验检查。 3. 探索进一步降低MA的阶次的可能性，即设ARMA ( 2n-1, m) ，m 2n –1 ，用F检验确定。 图 时间序列模型建立流程 模型定阶 确定ARMA中的参数n,m 参数估计矩、OLS、ML等 对初步选取的模型进行参数估计 诊断与检验 包括参数的显著性检验和 残差的随机独立性检验 模型可取吗 检验序列的零均值性和平稳性 否则进行零均值化和平稳化 模型识别 用相关图和偏相关图识别模型的类型 模型应用 YES NO 还可以定义其它类型的准则函数，如 式中常数C用来在拟合残差与参数个数之间权衡 与AIC准则相比，BIC准则对模型参数考虑更多，BIC达到极小时所对应的阶数往往比AIC准则相应定出的阶数低。 待估参数 个未知参数 常用估计方法 矩估计 极大似然估计 最小二乘估计 第三节 模型参数估计 一、模型参数的矩估计 矩估计法是一种参数初估计方法，与最小二乘估计法和极大似然估计法相比，计算量相对较小，估计精度较低。 其基本思想：ARMA模型的自相关函数（矩函数）可以表示为未知的模型参数的函数，反过来，模型参数原则上也可由自相关函数（矩函数）来表示。这样，用计算出来的样本自相关函数代替理论自相关函数，就可以得到参数的估计值。 矩估计 原理 样本自相关系数估计总体自相关系数 样本一阶均值估计总体均值，样本方差估计总体方差 自回归模型AR(n)的参数估计：采用YULE-WALKER方程 一、矩估计 对于一个k阶AR模型，有： 由此得到Yule-Walker 方程，记为： 已知时，由该方程组可以解出 则 用样本自相关函数代替理论自相关函数，就可以得到参数的估计值 残差方差可以通过模型的自协方差函数估计 当k=0时，有 从而 例1:求AR(2)模型系数的矩估计 AR(2)模型 Yule-Walker方程 矩估计（Yule-Walker方程的解） 例2:求AR(1)模型系数的矩估计 AR(1)模型 Yule-Walker方程 矩估计（Yule-Walker方程的解） 其自协方差系数为 m阶移动平均过程MA(m)模型参数估计 这是关于MA模型参数的m+1个非线性方程组成的方程组。对于低价的可以通过解方程组直接求解，高阶的只能通过数值解法得到近似解。 例3:求MA(1)模型系数的矩估计 MA(1)模型 方程 矩估计 ARMA(n,m)模型系数的矩估计 对于低阶的模型可以利用模型的自协方差函数与模型参数间的非线性关系直接求解。高阶模型可以通过如下步骤求得近似解。 第一，先用类似AR模型参数矩估计的方法给出ARMA(n,m)模型的AR部分参数的估计 第二， 并计算出{yt}序列的自协方差函数 第三，把{yt}看作MA(m)序列，利用MA参数的矩估计方法就可以得到ARMA(n,m)模型的滑动平均部分参数 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 极大似然估计 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 三、极大似然估计（ML） 极大似然估计有条件极大似然估计和完全极大似然估计之分。 基本思想：模型参数应使样本数据出现的可能性最大。可由样本分布的概率密度函数给出样本数据出现的可能性，即似然函数，它表现为模型参数的函数，通过极大化似然函数就可得到模型的参数估计。 最小二乘估计是条件极大似然估计。 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