第七章 趋势性时间序列模型王振龙第二版课题.pptVIP

第七章 趋势性时间序列模型 前几章讨论的都是平稳时间序列，然而在实际应用中，特别是在经济和商业中出现的时间序列大多是非平稳的，如非常数均值的时间序列，非常数方差的时间序列，或者二者皆有。 什么叫趋势，数学上并无严格的定义，但从直观上来说，是十分明显的，有趋势的时间序列在图形上总表现出一个长期向上或向下的趋势。 此时对模型的描述需要用下面的模型 7.2 随机时间序列的趋势性检验该方法即是利用时间序列资料图，观察趋势性或周期性。如果序列存在着明显的趋势或周期变化，则表明该序列可能是非平稳时间序列。这种方法直观简单，但主观性较强。一个零均值平稳时间序列的自相关和偏自相关函数，要么拖尾，要么截尾。如果零值化的时序既不拖尾，也不截尾，而是呈现出缓慢衰减或者周期性衰减，则认为可能存在趋势或周期性，应视为非平稳。该方法是首先对序列拟合一个恰当的模型，再针对该模型计算其对应特征方程的特征根。如果它的所有特征根均在单位圆之外，则该序列平稳；否则非平稳。该方法可以检验序列是否存在单调趋势。原理：将序列分成几段，计算每一段的均值或方差，组成新的序列。若原序列无明显趋势变化则均值（或方差）序列的逆序总数不应过大或过小，过大说明原序列有上升的趋势，过小说明序列有下降趋势。 原理：在原序列与趋势变化的原假设下，原序列的每个值与序列均值对比后的符号序列的游程不应过小或过多。过小或过多均表示原序列存在某种趋势。 1、DF (dickey fuller)统计量的分布特征 给出三个自回归模型前面所述的单变量模型只含有一阶的滞后，当模型中含有更高阶滞后项时，有类似的分析结论。此时对β是否等于1的检验称为ADF(Augmented Dickey-Fuller)检验。 （2）根据不同的模型选用DF或ADF统计量，每个统计量均有三种情况选择：含截距项、含截距项和趋势项以及不含截距项和趋势项。 （3）DF（ADF）检验采用的是最小二乘估计。 （4）DF（ADF）检验是左侧单边检验。当DF（ADF）临界值时，拒绝H0，即序列为平稳的；当DF（ADF）临界值时接受H0，即序列为非平稳的。 7.3 平稳化方法本节介绍三种常用的平稳化方法：差分、季节差分以及对数变换与差分结合运用。 普通差分 过差分 足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息 但过度的差分会造成有用信息的浪费 例1 假设序列如下比较 例 假设序列如下7.4 趋势模型 齐次非平稳 ARIMA模型的方差齐性讨论 例:ARIMA(0,1,0)时序图d≠0时，原序列方差非齐性 d阶差分后，差分后序列方差齐性 ARIMA模型建模步骤 组合模型 组合模型建模步骤 分析 事实上，当d=1时， 当d=2时，令 , 所以即二阶差分法方程导出的解{xt}是对ARMA(n,m)序列的二重 求和序列。故ARIMA(n,d,m)过程也称为d阶求和ARMA(n,m)过程。 使用场合----差分平稳序列拟合 ARIMA (0,1,1) 常见ARIMA 模型 ARIMA (0,2,2) ARIMA (1,2,1) ARMA(n,m)与 ARIMA(n,d,m)区别与联系当d=0时， ARIMA(n,d,m)模型就是ARMA模型，即两者的区别在于序列是否平稳。另一方面，任一ARIMA模型展开后，从形式上看与ARMA相同，但其参数并不满足稳定性条件。 获 得 观 察 值 序 列 零均值、 平稳性 检验 差分 运算 Y N 模型 检验 Y 进 行 预 测 拟合 ARMA 模型 ARIMA建模示例 P187 N对于非平稳时间序列，前三节采用的方法是设法消除确定性因素（长期趋势，周期趋势）的作用，然后对剩余序列拟合一个ARMA模型。本节介绍另一个处理方法，即用确定性模型描述序列中确定性因素（均值）的变动规律，用ARMA模型刻画序列中随机因素的一般规律性。 1．根据时间序列的特征，用一定的函数形式（多项式函数、指数函数、正弦函数等）拟合序列中的确定性趋势部分，直到剩余序列平稳为止。 2．对剩余序列用Box-Jenkins法拟合适应的ARMA模型。 3．将分别拟合的确定性模型和ARMA模型结合起来并以其参数作为初始值，用非线性最小二乘法估计组合模型的参数，得到最终的组合模型。 确定性趋势的判定 方法一：数据图法；方法二：特征根判别法。 1．长期趋势的判定 （1）线性趋势：对于一个高阶模型，若有两个实特征根的绝对值接近（或等于1）时，序列中可能存在线性趋势。 （2）多项式趋势：若有三个特征根的绝对值接近或等于1，序列中可能存在二次趋势；有n+1个特征根的绝对值接近于1，则序列中存在n次多项式趋势。即序列可以用如下模型来描述： 其中Yt是一个平稳ARMA模型。模型中的多项式趋势是确