fints第四章线性arma模型4.ppt

模型定阶或识别 假设数据已经平稳化，下一步是确定模型的阶数。有两种方法，一种是根据随机过程的参数特征，一种是根据信息准则。 下面是几类随机过程的参数特征： 三种随机过程偏自相关函数的特点 三类过程的偏自相关函数和自相关函数 MA（q） AR（p） ARMA（p，q） 自相关函数 q步截尾 拖尾 拖尾 偏自相关函数 拖尾 p步截尾 拖尾 定阶 样本自相关函数的计算和判断 定阶 H0：?i =?i+1 =…=0 用前面介绍的方法计算出样本自相关系数 ，零假设成立时 近似服从正态分布N(0,1/T) 所以近似5%显著水平下，每个 在两倍标准差之间，则不能拒绝零假设。 定阶 当样本长度充分大时，估计的偏自相关系数满足：如果?*k =0，kp 那么估计的偏相关系数近似服从正态分布 N（0，1/T） 所以近似5%显著水平下，如果-2/T1/2 ?*k 2/T1/2, 推断?*k =0，kp成立 评价模型的优劣准则 AIC (Akaike’s information criterion) BIC(Schwartz Bayesian information criterion)准则 对自由度进行调整 k是模型中未知参数的个数,et是估计出的误差 定阶： AIC准则和BIC准则 不同的书对AIC和BIC使用不同的变形。经常使用的有两种 AIC（p，q）=ln( )+2(p+q)/T BIC（p，q）=ln( )+(p+q)ln(T)/T T样本长度，如果有常数项p+q被p+q+1代替，ln表示自然对数。在ARMA模型中需要选择p和q，所以用p+q代替k。 是对噪声项方差的估计 定阶： AIC准则和BIC准则 AIC（p，q）=－2lnL/T+2(p+q)/T BIC（p，q）=-2lnL/T+(p+q)ln(T)/T LnL是模型的对数似然函数值 Q是与参数无关的量。因为我们只关心使得AIC或BIC最小的值，所以忽略Q.带入对数似然函数表达式中，可以发现与前面的AIC和BIC的表达是一致的。 AIC和BIC判断步骤 （1）给定滞后长度的上限P和Q，一般取为T/10， Ln(T), （2）修改样本区间使得滞后长度不出现负值。 （3）对任意一对滞后长度p=0，1，…，P，q=0，1，…，Q，分别估计模型ARMA（p，q） （4）代入上面的公式，计算出AIC(p，q)和BIC(p，q) （5）最小值对应的p，q值作为ARMA模型的阶数。 用AIC和BIC准则确定阶数 AIC准则--------MA(1) ? q 0 1 2 3 P 0 -7.415 -7.455 -7.426 -7.373 1 -7.39 -7.395 -7.422 -7.272 2 -7.433 -7.383 -7.174 -7.221 用AIC和BIC准则确定阶数 BIC--------白噪声 q 0 1 2 3 P 0 -7.415 -7.411 -7.338 -7.239 1 -7.346 -7.251 -6.998 -7.001 2 -7.345 -7.251 -6.998 -7.001 练习： P179 15(9) 极大似然估计:以AR(1)为例 ?t=c+??t-1 +?t 假设? ~i.i.d.N(0, ?2) 估计: ?=( c, ?, ?2)’ 已知: y1,y2,…,yT E(?1)=c/(1-?) E(?1-?)2=?2/(1-?2) 极大似然估计 当?1的观测已知时，?2的条件分布 ?2=c+??1 +?2 （?2|?1= y1）~ N(c+?y1, ?2) 极大似然估计 Y1,Y2的联合分布密度函数，是条件密度和边际密度相乘 f?2，Y1 (y2，y1; ?)= f?2|Y1 (y2|y1; ?) f?1 (y1; ?) 类似的，已知y1,y2，?3的条件分布 极大似然估计 三者的联合分布 f?3，?2，Y1 (y3，y2，y1; ?)= f?3|Y2，Y1 (y3|y2，y1; ?) f?2|Y1 (y2|y1; ?) f?1 (y1; ?) 一般给定y1,y2,…yt-1，?t的条件分布只和yt-1有关 极大似然估计 f?t,Yt-1，…,