非平稳模型估计技术分析.ppt

第三步 若检验通过，以此拟合模型作为对 6.2 式的拟 合，连同上述对 的估计 完成对 6.1 , 6.2 的拟 合。 例：产生模型： 的n 500个样本值，拟合该时序数据。 模型的拟合：首先使用最小二乘估计方法对 进行 传统的回归分析： 对回归后的残差进行自回归建模： 模型的检验：对拟合后的最终残差作白噪声检验，这里采用正态检验 16/20 80% 结论：拟合模型为： 二. 串联形式混合模型的拟合方法 6.8 令 则 6.8 可简写为： 6.9 于是 的最小二乘估计为 6.10 残差项 的方差 的估计为， 当 6.8 中的p未知时，可应用AIC准则确定适当的p值： p的估计 ，满足 例：由序列 , 为标准正态 白噪声，产生n 500个样本值，拟合该数据 采用最小二乘估计得到： 残差的检验： 结论：拟合的模型为 三. 序列相关与ARMA模型 1. 序列相关理论与检验 涉及时间序列的回归模型，残差序列自相关较常见。 模型形式： 6.11 6.12 其中， 是t时刻所观测的解释变量向量； 为随机扰动 项，称为非条件残差； 为改进的随机扰动项，称为一 期提前 one-period-ahead 预测误差； 是前期已知变量向 量，可包括 的滞后项； 为参数向量。 残差序列的自相关检验方法： 1）. 相关图与Q统计量 即检验序列任意滞后期的自相关和偏相关系数与0有无 显著差异。 2）. LM Lagrange Multiplier 检验 该检验可对包含ARMA误差项的模型残差序列进行高 阶的自相关检验，并允许存在因变量的滞后项。检验假 设为： 其中，p max r,q 对 6.11 中的非条件残差建立辅助回归方程： 6.13 利用方程 6.13 的决定系数 构造LM检验统计量： 其中，n是计算辅助回归时的样本数据的个数。在零假设 下，LM统计量由渐进的 分布。对于给定的显著水 平 和自由度p，如果 ，则拒绝原假设，即 认为序列存在自相关，反之亦然。 2. 残差序列的ARMA模型 如果对某个线性回归模型残差序列进行LM检验，发 现序列存在自相关，可考虑对残差序列建立ARMA模型。 对非条件残差 可采用三种基本形式： 1 AR p 2 MA q 3 ARMA p,q 例：建立GDP关于消费 和投资 的线 性回归模型： 对于非线性回归模型，只能够采用AR p 形式对非条 件残差建模，并且不能包含季节自回归与滑动平均项。 例：建立Cobb-Douglas生产函数 应在方程定义对话框输入 例：北京市1990.1-2000.12气温数据（sample6） 差分运算 观察序列tempx1的样本自相关函数和偏相关函数，建模 ls tempx ar 1 ar 2 ma 1 ma 2 sar 12 sma 12 残差检验 三. 乘积模型的拟合 如果时间序列既具有趋势项又具有周期项，需采用乘 积模型来拟合。在上例中如果每一列的数据需要经过差 分 后才能进行季节ARMA模型的拟合，模型将改写为， 称之为乘积模型 . 实际问题中，d和D的取值一般很小，例如：D 0或1。 季节模型 实际上是一个乘积模 型 。 一种简单的乘积模型： 4.11 其中T为某一正整数，表示周期。 为某一平稳可逆的 ARMA p,q 序列。 1 模型的拟合 在T和D已知时，首先对 进行差分变换 4.12 其中， 满足 故，只需对 拟合形如 4.1 的求和模型，就可得到模 型 4.11 的参数估计。 2 T和D的取值判断 a. T表示周期，它有较明显的物理背景，可根据数据的实际背景确定T的大小 b. D的确定，可使用逐步尝试的方法。即对D 1,2…逐一尝试，并拟合 4.11 ,若模型检验通过，则确定该值为D的取值。 例：航空客流量数据。 数据的预处理： 1 xx log x 2 cx xx-5.542193 模型的建立：对数据cx: 对数据dcx进行一次差分运算 对数据ddcx建立模型： 使用最小二乘估计方法，得到 ls ddcx ma 1 ma 2 ma 3 模型的残差检验： 结论：客流量的模型为 另一种方法建模：观察序列ddcx的样本自相关函数和偏相关函数。 ls d log x ,1,12 ar 1 ar 2 ar 3 ma 1 sar 12 sma 12 ls ddcx ar 1 ar 2 ar 3 ma 1 sar 12 sma 12 ls d log x ,1,12 a