D第4章 时间序列预测方法3.pptVIP

三、用ARMA模型进行的递推预测 用ARMA模型进行的递推预测与MA模型的预测方法类似，但是更为复杂。为此，在许多情况下，只好借助计算机软件来进行。 另外，经过差分后平稳的序列，只要差分后的序列可以预测，则将可预测的序列累加差分阶数次，就可以得到原序列的预测值。 ARMA（1，1）序列自相关和偏相关函数图 三、ＡＲＭＡ（p，q）模型的改进 ＡＲＩＭＡ（p,d,q）模型 ＡＲＩＭＡ（p,d,q）（Ｐ，Ｄ，Ｑ）Ｓ模型 4.5????? 随机时序模型的建立 一、模型识别 二、参数估计 参数的初步估计 初步估计就是要设法找到参数的初始估计值。一般是利用序列的样本自相关函数对模型参数进行初步估计或确定初始值（这种方法又简称为矩估计法）。 参数的精确估计 两边取均值 这是著名的Yule-Walker方程，系数矩阵为自相关系数矩阵组成。于是有 （3）ARMA模型参数的初步估计 ARMR参数的初步估计要比前述两种模型参数的初步估计更为复杂。为此，为了简便起见，建立ARMR时，不再进行初步估计，而是直接选择某一组初始值，直接进行精确估计。 2、模型参数的精确估计 模型参数的精确估计是在初步估计的基础上，依据一定的估计准则进行的参数估计。ARMA模型参数估计最常用的准则是最小二乘法准则和极大似然估计准则。其中，又以应用最小二乘法的准则居多。 对于AR模型，应用最小二乘法准则进行参数的精确估计时，类似于多元线性回归模型参数估计的最小二乘法，主要采用的是线性最小二乘法估计方法。 对于MA模型以及ARMA模型，应用最小二乘法进行参数估计则有所不同，只能采用非线性最小二乘法估计，其计算步骤是，从被估计参数的一组初始值出发，使参数依某种规律沿着残差平方和减少的方向变化，得到平方和较小的点，再以此为新的出发点进行下一步的迭代，这种迭代一直进行到满足预先给定的精度下，平方和不能再下降为止。 在运用非线性最小二乘法估计准则时，依据不同的函数类型，有不同的迭代方法，主要有：最速下降法，高斯—牛顿法和阻尼最小二乘法。 3、运用计算机软件进行模型参数估计的主要方法 (1)??? 运用SPSS软件进行ARMA模型参数的估计 首先：录入数据。 其次：点击Statistics→Time Series→ARIMA,出现对话框如下： 填入自变量，并在Model栏中选择相应的参数。 通过 选择置信水平、预测方法等选项。如下 通过 选择计算结果存储的方式和内容。如下： 最后，点击“OK”得运行结果。 三、模型的检验 4.6????时序模型预测 偏自相关系数与偏自相关图 图中左边为相关系数，右边为相关系数图。由自相关系数图可以看出，有两个自相关系数落在了随机区间外，所以该序列为非纯随机序列。 4.3时间序列特性分析 随机性的测定 平稳性的测定 时间序列的季节性 博克斯－詹尼斯法建立模型，要根据所分析的时间序列的特性与模型特性的比较，才可以选择比较适当的模型。这里我们利用时间序列特性分析工具，具体来分析时间序列特性。时间序列的特性是指时间序列的随机性、平稳性、季节性。根据时间序列特性配合相应的模型 一、随机性的测定 随机性的涵义。时间序列的随机性就是指时间序列各项之间没有任何相关关系的特性。测定时间序列的随机性的目的在于判定该时间序列的是否为纯随机序列，即由一列随机数字构成的时间序列。直到目前，纯随机序列是无法建立模型的。 测定工具与原则。时间序列分析中测定时间序列的随机性主要运用的是自相关系数及自相关分析图。测定的原则是，如果时间序列的自相关系数基本都落入随机区间内，则该时序为纯随机序列；有较多自相关系数落入随机区间外，时序就是非纯随机序列。如下图就是一个纯随机序列的自相关系数图，而第二节中的自相关系数图则表明的为非纯随机序列。 3、时间序列的随机性在Ｂ－Ｊ方法中的应用。测定时间序列的随机性在Ｂ－Ｊ方法中主要是在建模后鉴定残差序列（原始序列与预测模型之间的误差序列）的随机性，以便鉴定所建立的模型是否适合于预测。 二、平稳性的测定 而下图，则为非平稳时间序列的自相关系数图 3、时间序列平稳性在Ｂ－Ｊ方法中的应用。在Ｂ－Ｊ方法中，只有平稳时间序列才能直接建立ＡＲＭＡ模型，因此判定时间序列的平稳性是应用Ｂ－Ｊ方法的第一步。 4、对时间序列非平稳性的消除。 现实生活中，真正平稳的时间序列是不多的，而非平稳性的时间序列又不可以直接建立ＡＲＭＡ模型，为此需要对ＡＲＭＡ模型进行改进，在Ｂ－Ｊ方法中，改进后的ＡＲＭＡ模型是可以适用于非平稳时