5非平稳有限参数模型摘要.pptVIP

第四节 求和模型 一 求和模型的定义及解的形式 用平稳的ARMA(p,q)序列的求和所得到的非平稳时间序列，称为求和序列，它所满足的模型，称为求和模型。 定义4.1 设 为随机序列，若满足下列条件： (1) 对任意t， (2) 存在正整数d,使得 令 为ARMA(p,q)序列，即满足 因此 满足 (4.1) 则称(4.1)式为自回归求和滑动平均模型(Autoregressive integrated moving average).记为ARIMA(p,d,q),相应的序 列 被称为ARIMA(p,d,q)序列。 例4.1 设 为ARIMA(1,1,0)序列，有如下表达式 令 ，则 而 为AR(1)序列，即 X序列的图形(sample2.4.1) 差分后(1-B)X，所得到的序列W W的前15个ACF和PACF 例4.2 ARIMA(1,2,1)(sample2.4.2) 令 则 经过两次差分运算之后的序列W W的前15个ACF和PACF ARIMA(p,d,q)的通解： 注 1、以上两例的共同特征：具有较大的、不衰减的自相关函数并滞后一期特别大。非平稳的主要特征使得这些模型潜在的拖尾性不显著，我们可对各序列作差分使之显著。 2、ARIMA(p,d,q)模型与多项式趋势的ARMA(p,q)模型 的区别。 二、ARIMA模型的方差和自协方差 以ARIMA(0,1,1)为例： 特征： 三 方差平稳化变换 通常非平稳过程的方差随其水平变化而变化，即 问题：对一些正常数c和函数f，找到一个函数G使其变换 有不变方差。 例4.3：美国人口总数（1790-1980）(sample2.4.3) 对x作两次差分运算得到 作变换x1=log(x) 对x1作两次差分运算得到 二. 单位根过程 当d=1时的求和ARIMA(p,d,q)模型又被称为单位根过模型，相应的时间序列被称为单位根序列。 如果一个时间序列的算子方程的根很接近1，则没有足够的数据量，在很多情况下很难与单位根序列区分开来。 例: sample2.4.4 三. 平稳ARIMA(0,d,0)模型 人们称ARMA(p,q)序列是短记忆的，对短记忆的序列不宜进行中长期预测。只有长记忆序列才具有作中长期预测的基础。通常可以按自协方差函数收敛到零的速度把平稳序列分为短记忆序列和长记忆序列。 对实数d0.5,如果自协方差函数 就称 该序列 是长记忆序列。 对于ARIMA(0,d,0)序列，由于 故它是长记忆序列。 第五节 乘积模型 随机序列的变化规律含有明显的周期性规律，例如气温、雨量、用水量、耗电量、交通运输、经济问题等都是由于季节变化或其他周期因素的物理机制所引起的，我们称这类随机序列为季节性序列。 例5.1：某储蓄所1988年和1989年的各月储蓄额 例5.2：美国月事故数据，1973-1978 (sample2.2.5) 需要考虑两个问题： 1. 季节之间的统计规律， 2. 季节之内的统计规律。 如果季节差分和趋势差分后是平稳序列，则为简单季节模型。 乘积季节模型分为简单和既有趋势又有季节的 一. 纯季节模型 首先建立模型 (5.1) 其中 并且， 的根都在单位圆外， 在 相隔T步上为白噪声序列，而相隔小于T步时是相关的， 即 其次， 仍为平稳序列，故需对 建立ARMA(p,q)模 型， (5.2) 其中 对季节内外为白噪声序列，将(5.2)代入(5.1) 中，有 即 (5.3) 称(5.3)为季节为T的纯季节性模型，简记为 模型，又称(5.3)为乘积模型。 例5.3：1985至2000年北京平均气温(sample2.4.6) 差分 二. 既有季节又有趋势模型 定义