52非平稳模型估计重点分析.pptVIP

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