非平稳时间序列模型技术分析.pptVIP

第七章 非平稳时间序列模型 Contents 第一节 时间序列的分解 第二节 差分运算 第三节 ARIMA模型 第四节 单位根检验 第一节 时间序列的分解 对于任何一个离散平稳过程 它都可以分解为两个不相关的平稳序列之和，其中一个为确定性的，另一个为随机性的，不妨记作 其中： 为确定性序列， 为随机序列， 它们需要满足如下条件 （1） （2） （3） 二、确定性序列与随机序列的定义 对任意序列 而言，令 关于q期之前的序列值作线性回归 其中 为回归残差序列， 。 确定性序列，若 随机序列，若 三、ARMA模型分解 四、Cramer分解定理（1961） 任何一个时间序列 都可以分解为两部分的叠加：其中一部分是由多项式决定的确定性趋势成分，另一部分是平稳的零均值误差成分，即 五、对两个分解定理的理解 Wold分解定理说明任何平稳序列都可以分解为确定性序列和随机序列之和。它是现代时间序列分析理论的灵魂，是构造ARMA模型拟合平稳序列的理论基础。 Cramer 分解定理是Wold分解定理的理论推广，它说明任何一个序列的波动都可以视为同时受到了确定性影响和随机性影响的综合作用。平稳序列要求这两方面的影响都是稳定的，而非平稳序列产生的机理就在于它所受到的这两方面的影响至少有一方面是不稳定的。 第二节 差分运算 一、差分运算的实质 二、差分方式的选择 序列蕴含着显著的线性趋势，一阶差分就可以实现趋势平稳 序列蕴含着曲线趋势，通常低阶（二阶或三阶）差分就可以提取出曲线趋势的影响 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取周期信息 例 1964年——1999年中国纱年产量序列蕴含着一个近似线性的递增趋势。对该序列进行一阶差分运算 考察差分运算对该序列线性趋势信息的提取作用 三、过差分 足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息 但过度的差分会造成有用信息的浪费 比较 一阶差分 平稳 方差小 二阶差分（过差分） 平稳 方差大 第三节 ARIMA模型 使用场合 差分平稳序列拟合 模型结构 ARIMA 模型族 d 0 ARIMA p,d,q ARMA p,q P 0 ARIMA P,d,q IMA d,q q 0 ARIMA P,d,q ARI p,d d 1,P q 0 ARIMA P,d,q random walk model 随机游走模型 random walk 模型结构 模型产生典故 Karl Pearson 1905 在《自然》杂志上提问：假如有个醉汉醉得非常严重，完全丧失方向感，把他放在荒郊野外，一段时间之后再去找他，在什么地方找到他的概率最大呢？ 二、ARIMA模型的平稳性 ARIMA p,d,q 模型共有p+d个特征根，其中p个在单位圆内，d个在单位圆。所以当 时ARIMA p,d,q 模型非平稳。 三、ARIMA模型建模步骤 案例一：中国人口时间序列模型（file:5b2c1）（怎样建立AR 模型） 以AR 1 模型为例说明模型的写法及预测 下面进行预测 怎样预测2002-2006人口总数？ 案例2 日本人口时间序列模型（file:japopu）（怎样建立ARIMA 模型） 通过这个例子分析怎样建立MA 模型。该序列与中国的其他宏观序列如GDP、宏观消费的特征不同，存在着明显的周期性变化。 四、ARIMA模型预测 原则 最小均方误差预测原理 Green函数递推公式 预测值 已知ARIMA 1,1,1 模型为 且 求 的95％的置信区间 等价形式 计算预测值 计算置信区间 Green函数值 方差 95％置信区间 第四节 单位根检验 DF 临界值，则接受H0，yt非平稳； DF 临界值，则拒绝H0，yt是平稳的。 注意 1. 因为用DF统计量作单位根检验，所以此检验称作DF检验（由Dickey-Fuller提出）。 2. DF检验采用的是OLS估计。 3. DF检验是左单端检验。因为 ? 1意味着强非平稳，? 1意味着平稳。当接受? 1，拒绝 ? 1时，自然也应拒绝? 1。 单位根检验的Eviews操作 三、单位根检验举例 例：421天的深证成指序列（szindext）（file:5stock4）的单位根检验 。 1. 对D Y 建立AR 1 模型 对D Y 建立AR 2 模型 对D Y 建立MA 1 模型 对D Y 建立MA 2 模型 对D Y 建立ARMA 1,1 模型 -3.2050 -3.3208 AR 2 -3.2396 -3.3358 MA 1 -3.2396 -3.3543 ARMA 1,1 -3.2