10传递函数模型课程.pptVIP

应用时间序列分析 第六章 传递函数模型 本章要点和要求 本章从简单的例子出发，定义了传递函数模型的形式，研究了传递函数模型和脉冲响应函数的基本特征和性质，以及传递函数模型的稳定性。之后讨论传递函数模型的识别、估计和诊断校验，并用实例循序渐进说明建模的过程。作为传递函数模型的特例在本章的最后一节讨论了干预变量模型的理论和建模过程。 要求学生掌握有关传递函数模型的理论、脉冲响应函数与互相关函数的关系和传递函数建模过程。 第一节 模型简介 一、模型的形式 二、传递函数的性质 由于V(B)是有理函数，从理论上讲V(B)是B的无穷高阶的多项式，可以表达为 三、常见的传递函数的形式 为了加深对脉冲响应函数的理解，我们来讨论几个常见的传递函数的情形。 （二）r=1的情形 在这个情况下，当s=0时，从 开始脉冲响应函数呈指数衰减；当s=1时，从 开始脉冲响应函数呈指数衰减；当s=2时，从开始脉冲响应函数呈指数衰减。 四、传递函数的稳定性 第二节 传递函数模型的识别 ARMA模型的识别工具是自相关和偏自相关函数，这些相关函数均是同一个变量在两个不同时刻的相关，这是因为ARMA模型涉及的是单变量问题，而传递函数模型是多元的时间序列分析，模型的识别会同时涉及到互相关和自相关问题，因为自相关在前面的章节已经讨论，所以这里只讨论互相关的问题。 一、互协方差函数和互相关函数 注：特别值得注意的是互相关函数不仅与时间间隔有关，而且不对称，如（9.9）和（9.10）式所示。 互相关系数与方向有关 （二）样本互相关函数 由于总体的互相关函数是未知的，通常需要用一个跨度为N的样本来估计总体互相关函数，假设(X1，Y1)，(X2，Y2)，…，(XN，YN)如果Xt和Yt是非平稳的，那么我们总可以经过d阶差分将其转换为平稳的时间序列，不妨记差分后的序列为(x1，y1)，(x2，y2)，…，(xN，yN)。样本的互协方差函数为 互协方差函数为： （三）互相关函数与传递函数的关系 互相关函数是识别传递函数模型的工具，脉冲响应函数是传递函数模型的关键，因为一旦脉冲相应函数确定，那么传递函数模型就随之而确定。下面讨论互相关函数和脉冲响应函数的关系。假设Yt的模型为 从（9.13）式可以看出互相关函数明显地受输入序列Xt的自相关函数和脉冲响应函数的影响，如果能从（9.13）式中解出脉冲响应函数，那么模型的传递函数就得到了。然而（9.13）式的未知参数有无穷项，直接求解是不可能的，但是如果输入时间序列Xt是白噪声序列，问题则大为不同了，这时（9.13）式的右边除了 项之外，其余的项均为零，则（9.13）式简化为 二、模型的初步识别 （一）预白化过程 如前所述，如果输入的时间序列是白噪声，则可以得到如（9.15）式那样简单的脉冲响应函数与互相关函数的关系式，为了达到这个目的，分别对Xt和Yt做如下预白化处理，使输入的序列是白噪声序列。预白化过程如下： 如果我们把?(B)/?(B)看成一个滤波器，也对Yt进行滤波。得 例【9.3】继续利用例【9.2】的数据计算预白化后的序列和的互相关函数。 预白化变量序列和的互相关函数第一个显著不为零的为 ，即滞后期是3时， ＝0.67523。图9-6和图9-7的图形略有不同，这是因为图9-6是 和 的互相关图，而图9-7是 和 被预白化后序列的?t和?t的互相关图。进一步根据（9.18）可以计算出模型的脉冲相应函数，以 k=-7为例，计算脉冲相应函数 将表9-4的脉冲相应函数在直角坐标系中画出，如图9-8，将图9-8和图9-7相比较，可以看出脉冲响应函数和互相关函数几乎具有相同的模式，这就从非常直观的角度说明，我们完全可以依据互相关函数来判定传递函数分子和分母多项式的阶数r和s以及延迟参数b。 （二）传递函数模型的识别和估计 1、根据传递函数的性质可得如下的判定s、r和ｂ的方法 如果脉冲响应函数vj不呈现任何模式，则r=0，那么 2、传递函数部分参数估计的矩估计 当r、b和s被识别，对Xt和Yt进行预白化处理后，得（9.18）式 ,将 3、噪声部分的识别与估计 根据已有的假定模型