时间序列2技术总结.ppt

由于中国人均居民消费（CPC）与人均国内生产总值（GDPPC）这两时间序列是非平稳的，因此不宜直接建立它们的因果关系回归方程。 但它们都是I(2)时间序列，因此可以建立它们的ARIMA(p,d,q)模型。 例9.2.4 中国人均居民消费的ARMA(p,q)模型 下面只建立中国人均居民消费（CPC）的随机时间序列模型。 中国人均居民消费（CPC）经过二次差分后的新序列记为CPCD2，其自相关函数、偏自相关函数及Q统计量的值列于下表： 首先求得自协方差函数的估计值，(*)是一个包含(q+1)个待估参数 的非线性方程组，可以用直接法或迭代法求解。 常用的迭代方法有线性迭代法和Newton-Raphsan迭代法。 （1）MA(1)模型的直接算法 对于MA(1)模型，（*）式相应地写成： 于是： 或： 有： 于是有解： 由于参数估计有两组解，可根据可逆性条件|?1|1来判断选取一组。 （2）MA(q)模型的迭代算法 对于q1的MA(q)模型，一般用迭代算法估计参数： 由（*）式得 （**） 第一步，给出 的一组初值，比如, 代入（**）式，计算出第一次迭代值 ， 第二步，将第一次迭代值代入（**）式，计算出第二次迭代值 按此反复迭代下去，直到第m步的迭代值与第m-1步的迭代值相差不大时（满足一定的精度），便停止迭代，并用第m步的迭代结果作为（**）的近似解。 ⒊ ARMA(p,q)模型的矩估计 在ARMA(p,q)中共有(p+q+1)个待估参数?1,?2,?,?p与?1,?2,?,?q以及??2，其估计量计算步骤及公式如下： 第一步，估计?1,?2,?,?p 是总体自相关函数的估计值，可用样本自相关函数rk代替。 第二步，改写模型，求?1,?2,?,?q以及??2的估计值 将模型： 改写为： 令， 于是(*)可以写成： (*) 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 假设模型AR(p)的参数估计值已经得到，即有， 残差的平方和为： (*) 根据最小二乘原理，所要求的参数估计值是下列方程组的解： 即 ， j=1,2,…,p (**) 解该方程组，就可得到待估参数的估计值。 为了与AR(p)模型的Yule Walker方程估计进行比较，将(**)改写成： j=1,2,…,p 由自协方差函数的定义，并用自协方差函数的估计值 。 代入，上式表示的方程组即为： 或 ， j=1,2,…,p j=1,2,…,p 解该方程组，得到： 即为参数的最小二乘估计。 Yule Walker方程组的解： 比较发现，当n足够大时，二者是相似的。 ??2的估计值为： 需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。 如果包含常数项，该常数项并不影响模型的原有性质，因为通过适当的变形，可将包含常数项的模型转换为不含常数项的模型。 下面以一般的ARMA(p,q)模型为例说明。 对含有常数项的模型 ： 方程两边同减?/(1-?1-?-?p)，则可得到： 其中， 五、模型的检验 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。 1、残差项的白噪声检验 可用QLB的统计量进行?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 另外一个遇到的问题是，在实际识别ARMA(p,q)模型时，需多次反复偿试，有可能存在不止一组（p,q）值都能通过识别检验。 显然，增加p与q的阶数，可增加拟合优度，但却同时降低了自由度。 因此，对可能的适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。 其中，n为待估参数个