第八讲平稳时间序列模型的建立概要.ppt

第八讲 平稳时间序列模型的建立 第一节 平稳时间序列模型的识别 第二节 模型的定阶 第三节 ARMA模型参数估计 第四节 模型的诊断检验 模型识别 用自相关图和偏自相关图识别模型形式 (p=? q=?) 参数估计 确定模型中的未知参数 模型检验 包括参数的显著性检验和残差的随机性检验 模型优化 序列预测 第一节 平稳时间序列模型的识别 一、模型识别前的说明 二、模型识别方法 一、模型识别前的说明 （一）关于非平稳序列 本讲所介绍的是对零均值平稳序列建立ARMA模型，因此，在对实际的序列进行模型识别之前，应首先检验序列是否平稳，若序列非平稳，应先通过适当变换将其化为平稳序列，然后再进行模型识别。 序列的非平稳包括均值非平稳和方差非平稳。 均值非平稳序列平稳化的方法：差分变换。 方差非平稳序列平稳化的方法：对数变换、平方根变换等。 序列平稳性的检验方法和手段主要有：序列趋势图、自相关图、单位根检验、非参数检验方法等等。 （二）关于非零均值的平稳序列 非零均值的平稳序列有两种处理方法： 设xt为一非零均值的平稳序列，且有E(xt)=μ 方法一: 用样本均值 作为序列均值μ的估计，建模前先对序列作如下处理： 令 然后对零均值平稳序列wt建模。 方法二 在模型识别阶段对序列均值是否为零不予考虑，而在参数估计阶段，将序列均值作为一个参数加以估计。 方法一 检验μ =E(xt)=μ=0 可将样本均值 和均值的标准差 进行比较，若样本均值落在 的范围内，则可认为是零均值过程。 二、模型识别方法 （一）平稳序列模型识别要领 零均值平稳序列模型识别的主要根据是序列的自相关函数(ACF)和偏自相关函数(PACF)的特征。 若序列xt 的偏自相关函数 在k p以后截尾，即kp 时， ，而且它的自相关函数 拖尾，则可判断此序列是AR(p)序列。 若序列xt的自相关函数 在kq以后截尾，即kq 时， ，而且它的偏自相关函数 拖尾，则可判断此序列是MA(q)序列。 若序列xt的自相关函数、偏相关函数都呈拖尾形态，则可断言此序列是ARMA序列。 若序列的自相关函数和偏自相关函数不但都不截尾，而且至少有一个下降趋势势缓慢或呈周期性衰减，则可认为它也不是拖尾的，此时序列是非平稳序列，应先将其转化为平稳序列后再进行模型识别。 基本原则 模型定阶的困难 由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 会呈现出小值振荡的情况。 由于平稳时间序列通常都具有短期相关性，随着延迟阶数k→∞， 与 都会衰减至零值附近作小值波动。 ？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作拖尾呢？ 样本相关系数的近似分布 Barlett： Quenouille： 95％的置信区间： 模型定阶的经验方法：利用2倍标准差辅助判断 模型定阶经验方法 用直接计算法，需要解2m次方程，在m≥3时，解高阶方程非常困难，一般只能用数值解法。 线性迭代法 上式可以等价地写成： 构造F统计量检验假设（无截距项）： 方法：方程两边同乘以Xt-k，然后同求数学期望，得到: 第二步：令 再求其方差和协方差 （方程两边同乘以Yt-k，然后同求数学期望） 得： Yt的协方差记为： Yt 的样本自协方差可由X的自协方差和参数估计计算得出。 第三步：解 有： 用前面介绍的MA模型的矩估计可得解： 例：ARMA(1,1)模型参数的矩估计 第四节 模型的适应性检验 模型的适应性检验： 模型是否完全或基本上解释了系统的动态性； at是否是一白噪声序列； 关键是at的独立性检验。 主要介绍的模型适应性检验的方法有： 一、 散点图法 二、估计相关系数法 三、 F检验 四、 检验法 * 8.1 8.1 8.1 * 8.1 8.1 8.1 * 8.2 8.2 * 8.3 8.3 8.3 * 8.4 * 偏 二、残差方差图定阶法 1. 原理： 最小的残差方差对应真实阶数 2. 方法： 利用残差方差图确定阶数 以阶数为横轴、以残差方差为纵轴作图，寻找最小残差方差对应的阶数。 3. 残差方差的计算： 模型的剩余平方和 4. 优缺点： 优点：简单直观，易于理解； 缺点：有一定的主观性 三、 F检验定阶法 原理： 用F检验来检验两个回归模型是否有