chap4平稳时间序列模型的建立选编.pptVIP

第四章 平稳时间序列模型的建立 4.1平稳序列建模 建模步骤： 1、模型识别 2、参数估计 3、模型检验 4、模型优化 建模步骤 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 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？ 对于每个k0，分别考察 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。 时间序列的偏自相关系数截尾 当kn时， 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。 若自相关系数序列与偏自相关系数序列无以上特征，而是出现了缓慢衰减或者周期性衰减等情况，则说明序列不是平稳的，可以采用后面相关章节的方法处理。 4.2模型定阶 对于单纯的AR与MA模型而言，在判定模型的同时模型的阶数已初步判定； 对于ARMA模型，用ACF,PACF判定其阶次有一定的困难，需要用其他方法 模型定阶：残差方差图方法 当阶数拟合不足时，残差方法将比真正模型的残差方差大；当阶数拟合过度时，并不会使残差方差有显著减小，甚至有所增加。 F检验定阶法 AIC准则 最小信息量准则（Akaike Information Criterion） 指导思想 似然函数值越大越好 未知参数的个数越少越好 AIC统计量 最佳参数量 BIC准则（SIC） AIC准则的缺陷 在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多。 BIC统计量 4.3 模型参数估计 待估参数 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：计算量小，估计精度低 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: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） Yule-Walker 方程 中心化模型的向量形式： 其中 协方差矩阵 由于 MA(q) 模型系数的估计 根据 (q+1)个方程组可解得 方法：线性迭代法，Newton-Raphson法 缺点: 解不唯一，不一定可逆 例:求MA(1)模型系数的矩估计 MA(1)模型 方程 矩估计 MA(q) 系数的估计另一方法： 例:求ARMA(1,1)模型系数的矩估计 ARMA(1,1)模型 方程 矩估计 ARMA(p,q)参数估计 延伸的Yule-Walker方程 对矩估计的评价 优点