平稳时序模型ARMA讲解.ppt

第二步，改写模型，求?1,?2,?,?q以及??2的估计值 构成一个MA模型。按照估计MA模型参数的方法，可以得到?1,?2,?,?q以及??2的估计值。 ⒋ AR(p)的最小二乘估计 解该方程组，就可得到待估参数的估计值。 五、模型的检验 1、残差项的白噪声检验 由于ARMA(p,q)模型的识别与估计是在假设随机扰动项是一白噪声的基础上进行的，因此，如果估计的模型确认正确的话，残差应代表一白噪声序列。 如果通过所估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需重新识别与估计。 在实际检验时，主要检验残差序列是否存在自相关。 可用QLB统计量进行?2检验：在给定显著性水平下，可计算不同滞后期的QLB值，通过与?2分布表中的相应临界值比较，来检验是否拒绝残差序列为白噪声的假设。若大于相应临界值，则应拒绝所估计的模型，需重新识别与估计。 2、AIC与SBC模型选择标准 在多组通过识别检验的（p,q）值选择最适当的模型。 常用的模型选择的判别标准有：赤池信息法（Akaike information criterion，简记为AIC）与施瓦兹贝叶斯法（Schwartz Bayesian criterion，简记为SBC）： 在选择可能的模型时，AIC与SBC越小越好。 六、ARIMA模型案例 如何使用ARMA模型来考察非平稳单位根过程数据的动态性呢？