时间序列分析(电子科大)优秀培训书.pptVIP

为对数似然函数. 的极大似然估计. 定义 注 必需已知联合概率密度. 二、ARMA序列参数的极大似然函数 设{ Xt }是零均值正态ARMA序列，给定样本 的样本值 联合概率密度为 其中 协方差矩阵. 对数似然函数为 为显含参数 ,令 （5.5.1） 记 是ARMA模型的参数向量, 均值 Eβ 表示是参数向量β的函数. （5.5.2） 注 对一般ARMA模型，其参数的似然函 数及极大似然估计要复杂许多. 三、ARMA序列参数的近似极大似然方法 应选择βML使(5.5.2)能取极大值. 很难 得不出极值的解析表示，数值求解也很困难. 分析： 1. 对任意样本长度N，行列式|MN| 是有界的； 2. 仅与N 有关，与参数向量β无关； N充分大时， 的极值点与 （5.5.3） 的极值点几乎一样. 近似似然函数 定义 称 是平方和函数. 定理5.5.2 设ARMA模型平稳可逆，使 充分大时，近似等于参数的极大似然估计，而且 达到最小值的参数估计 ,当样本长度N （5.5.4） §6.4 ARMA模型阶的确定 基于假定模型的阶已知的前提下介绍了参数估计的方法. 对动态数据进行相关分析，初步判别模型类别以及阶的初步估计. 有各类判定模型阶数的方法 一、相关函数定阶法 用相关函数的截尾性判别方法给出模型阶的初步估计. 例6.4.1 设{εt}是标准正态白噪声，{xt }是满足下AR(4)模型的模拟序列（N=300） 直线方程为 计算偏相关函数，可初估计 对p = 1, 2 , … , 10 分别求参数和噪声方差的y-w估计，可得 若时间序列{ Xt }实际是 p 阶有限自回归模型AR( p ), 其噪声方差为 ,如果选择AR(k) 模型进行拟合，则 1）若k p (称为不足拟合), 其剩余平方和Q 必然增大，有 2）若k p (称为过拟合), 不会显著减小， 有可能还略有增大. 类似于统计学中多元回归分析的逐步回归法，通过假设检验来确定阶数. 原假设：序列满足AR(k)模型； 备择假设：序列满足AR(k+1)模型. 二、残差方差图定阶法 结论 用一系列阶数逐次递增的AR(k)模型拟合原模型，其残差的方差一般随着 k 的增大而逐渐下降，当 k = p 以后变动幅度会趋小. Jenkins—Whitt方法： 利用残差方差图判定AR模型阶数. 残差方差的估计式为 (6.4.1) 其中 3）观察残差方差图，若 从 k* 始基本保持 不 变 (无明显下降趋势), 就可令 注1 残差方差图方法是一种观察试验方法， 无定量判断的准则. 2）画出的残差方差 图； 定阶步骤: 1）分别用AR(k)模型 (k=1, 2 , … , M)拟合观察 数据,计算相应的残差方差 (k=1,2,…,M)； 注2 若观察数据不是来自AR模型时, 常常不 是单调下降的. 例6.4.2 下图是一磨轮剖面资料的数据图 自相关函数图 偏相关函数图 模型阶数从1升至2，残差方差大幅度减小，升至 5后残差方差反而略有增加. 残差方差图 二、最佳准则函数定阶法 通常是先定义一个与模型参数有关的准则函数: 1) 考虑拟合时对数据的接近程度； 2）考虑模型中待定系数的个数. 使准则函数达到最小值的模型是最佳模型. 取使准则函数为最小的阶数值作为估计值. 1. FPE(最终预报误差)准则 不足拟合与过度拟合都会使预报误差增大. 日本学者赤池(Akaike) 思想 AR模型的阶 数估计值不能取过大，也不能过小. 过大 会导致模型的复杂度增大，使参数估 计值的不确定性增大； 过小 使拟合模型与真实模型差异过大. Akaike提出用最终预报误差准则(Final Prediction Error,记为FPE)来判定AR模型 的阶数. 导出目标函数 (6.4.2) 其中N为样本长度, k 为模型阶数， 为相应 的残差方差估计. 分析 (6.4.2)中有两个因子: 1) 因子 依赖于k, 其大小反映了模型与 数据的拟合程度； 2) 第一个因子随 k 增大而增大, 放大了残 差方差的不确定性影响. Akaike 准则 选择使 (6.4.3) 成立的 p 为AR模型的阶数估计值, 若有多个 则取其中最小者.