平稳时序模型ARMA分解.pptVIP

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？ 一种简单的方法就是：首先对单位根变量(比如)进行差分，使之变为平稳数据，然后对差分后的平稳数据使用ARMA模型进行分析。这种情形下的ARMA模型就成为ARIMA模型。 如：ARIMA(2,1,3)，其中2表示自回归的阶数，3表示移动平均的阶数，1则表示差分的数次。 为说明如何使用ARIMA模型考察时间序列数据的动态调整过程，我们来看一下我国通货膨胀的动态调整行为。 以年度商品零售价格指数( )表示通胀率，数据来源于《新中国60周年统计资料汇编》，见图2.3.1： 图2.3.1：我国年度通胀率 从数据波动特征看，我国的通胀率没有明显上升趋势，也没有明显的下降趋势，意味着数据生成过程中不包括确定性趋势，因此，我们使用不含漂移项和时间趋势项的单位根检验，使用AIC准则确定滞后期，检验结果为： t = (-0.175) (0.736) (-2.79) 输出结果： 可以判定为 考察 的自相关图（AC）和偏自相关图（PAC） 它们具有一定“拖尾”的特征，因此使用ARMA模型分析。 结合最小AIC准则，最终确定的短期动态调整行为由ARIMA(2,1,2)所表述即： t = (0.54) (0.54) (2.82) (-2.08) (-7.05) 输出结果： §2.3 时间序列模型Stochastic Time Serial Model 一、时间序列模型概述 二、平稳时间序列模型的平稳性条件 三、平稳时间序列模型的识别 四、平稳时间序列模型的估计 五、平稳时间序列模型的检验 六、ARIMA模型案例 说明 严格从理论体系讲，本节内容属于时间序列分析，但不属于我们所定义的狭义的计量经济学。 本节内容一般不纳入计量经济学的课堂教学内容，供没有学习过应用数理统计或者经济预测课程的同学自学。 课件只提供一个简单的思路。 一、时间序列模型概述 1、时间序列模型 两类时间序列模型 时间序列结构模型：通过协整分析，建立反映不同时间序列之间结构关系的模型，揭示了不同时间序列在每个时点上都存在的结构关系。 随机时间序列模型：揭示时间序列不同时点观测值之间的关系，也称为无条件预测模型。 平稳时间序列模型包括：AR(p)、MA(q)、ARMA(p,q)。 平稳时间序列模型并不属于现代计量经济学。 2、随机时间序列模型的适用性 用于无条件预测 结构模型用于预测的条件：建立正确的结构模型，给定外生变量的预测值。 无条件预测模型的优点。 结构模型的简化形式 结构模型经常可以通过约化和简化，变换为随及时间序列模型。 二、随机时间序列模型的平稳性条件 1、AR(p)模型的平稳性条件 随机时间序列模型的平稳性，可通过它所生成的随机时间序列的平稳性来判断。 如果一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的； 否则，就说该AR(p)模型是非平稳的。 考虑p阶自回归模型AR(p) AR(p)的特征方程 可以证明，如果该特征方程的所有根在单位圆外（根的模大于1），则AR(p)模型是平稳的。 容易得到如下平稳性条件 必要条件 充分条件 2、MA(q)模型的平稳性 有限阶移动平均模型总是平稳的。 当滞后期大于q时，X的自协方差系数为0。 3、ARMA(p,q)模型的平稳性 ARMA