52非平稳模型估计精编.pptVIP

第四节 求和模型与季节模型 的处理方法 一. 求和模型ARIMA的识别与拟合 1. 求和模型的识别方法 方法一 直接观察数据图形的方法：根据数据 画出数据曲线图，通过观察曲 线的形状，可初步判别是否需要拟合求和模型。 例：数据1 数据2 数据3 数据4 方法二. 数据样本自相关函数分析法：当序列含有趋势项时，序列的样本自相关函数 的尾部不衰减到零值，特别地，所含趋势项为多项式时， 将近似于常数为1的序列。 例：序列1 样本自相关函数： 序列2 序列2样本自相关函数 序列3 序列3的样本自相关函数 另外，还可从数据的来源判断使用求和模型的合理性。 2. 判断求和模型ARIMA(p,d,q)的阶数d 对ARIMA(p,d,q)模型的研究焦点是对差分阶数d的判别。 d的判别方法： (1) 用动态数据 的实际背景来确定。若数据围绕着某条曲线变化，而此曲线是近似线性的，则判断差分阶数d=1,若此曲线可由二次多项式近似，则判断阶数d=2,一般地，若该曲线可由d次t的多项式逼近，则可对原序列 作d次差分 ，而 可按平稳序列建模。 (2) 采用数据处理的方法：对原动态数据 分别作j次差分， ，连同原数据共有D+1套 动态数据，然后对每套数据求出样本自相关函数和样本 偏相关函数为 ,综合分析它 们的截尾性或拖尾性，最后判定为何种模型，再建立相 应的模型。 2. 求和模型的拟合 步骤1：判断p值，对原数据进行d次差分运算，即 (4.1) 例：当d=2时， 为 的二次差分序列，即， 步骤2：根据差分后的数据序列 按照前几节的方法，拟合AR、MA、ARMA模型，包括模型参数的估计以及对阶数p,q的估计，即 (4.2) 结合(4.1)和(4.2)，得到ARIMA(p,d,q)的拟合模型为， (4.3) 步骤3：对拟合求和模型 的检验：即是检验 是否符合(4.2)的模型，亦是对拟合后的残差进行白噪声检验. 步骤3：对拟合求和模型 的检验：即是检验 是否符合(4.2)的模型，亦是 对拟合后的残差进行白噪声检验。 例：某国1960年至1993年GNP平减指数的季度时间序列。要求对序列进行模型识别。(sample12) 第一步：判断差分阶数d=1,对数据 进行一阶差分 第二步：对差分后序列进行ARMA模型拟合。观察样本自相关函数和偏相关函数，初步判断为AR模型。使用AIC定阶准则和最小二乘估计方法。判断阶数p=2, ,即 拟合后的残差图 第三步：拟合模型的检验：采用正态检验， 于是，拟合模型为： 二. 季节模型的识别与拟合 季节ARMA模型： 其中T是周期， 是某个ARMA(p,q)模型的 特征多项式，实际问题中T经常的取值是4，7或 12。 星期 一 二 三 四 五 六 日 一周 二周 n+1周 上述表中的每一列都可以看成一个时间序列，将 数据(4.5)的第j列零均值化 (4.6) 其中 (4.7) 首先，用数据(4.6)建立模型： (4.8) 其中 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， (4.9) 其中