平稳时间序列精选.pptVIP

对最小二乘估计的评价 优点 最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 条件最小二乘估计方法使用率最高 缺点 需要假定总体分布 例2.5续 确定1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的口径 拟合模型：AR(1) 估计方法：极大似然估计 模型口径 例3.8续 确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 拟合模型：MA(1) 估计方法：条件最小二乘估计 模型口径 例3.9续 确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 拟合模型：ARMA(1,1) 估计方法：条件最小二乘估计 模型口径 模型检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效 假设条件 原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列 检验统计量 LB统计量 时间序列建模 判断平稳性和纯随机性 建模步骤 模型识别 参数估计 模型检验 模型优化 建模步骤 平 稳 非 白 噪 声 序 列 计 算 样 本 相 关 系 数 模型 识别 参数 估计 模型 检验 模 型 优 化 序 列 预 测 Y N 计算样本相关系数 样本自相关系数 样本偏自相关系数 模型识别 基本原则 选择模型 拖尾 p阶截尾 AR(p) q阶截尾 拖尾 MA(q) 拖尾 拖尾 ARMA(p,q) 模型定阶的困难 因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动 ？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 样本相关系数的近似分布 Barlett Quenouille 模型定阶经验方法 95％的置信区间 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 例2.5续 选择合适的模型ARMA拟合1950年——1998年北京市城乡居民定期储蓄比例序列。 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 所以可以考虑拟合模型为AR(1) 例3.8 美国科罗拉多州某一加油站连续57天的OVERSHORT序列 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列自相关系数1阶截尾 偏自相关系数显示出典型非截尾的性质。 综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1) 例3.9 1880-1985全球气表平均温度改变值差分序列 序列自相关图 序列偏自相关图 拟合模型识别 自相关系数显示出不截尾的性质 偏自相关系数也显示出不截尾的性质 综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列 参数估计 待估参数 p+q+2个未知参数 常用估计方法 矩估计 极大似然估计 最小二乘估计 矩估计 原理 样本自相关系数估计总体自相关系数 样本一阶均值估计总体均值，样本方差估计总体方差 例3.10 求AR(2)模型系数的矩估计 AR(2)模型 Yule-Walker方程 矩估计（Yule-Walker方程的解） 例3.11 求MA(1)模型系数的矩估计 MA(1)模型 方程 矩估计 例3.12 求ARMA(1,1)模型系数的矩估计 ARMA(1,1)模型 方