-第四章平稳时间序列模型的建立.pptVIP

第一节 模型的识别 单变量时间序列的Box-Jenkins模型识别方法主要是根据样本自相关和偏自相关函数的截尾和拖尾性来判断序列所适合的模型。 对非零均值序列的处理 计算样本均值，将每一序列值减去样本均值。 将序列均值作为一未知参数处理。 例如ARMA模型 三类平稳时间序列的自相关函数和偏自相关函数具有不同的统计特性。 如果一个时间序列是由某一类模型所生成，理论上它就应该具有相应的自相关特征，因而我们可以计算出平稳时间序列的样本自相关函数和样本偏自相关函数，将其特性与不同类型序列的理论自相关函数和偏自相关函数的特性进行比较，进而初步判断序列 所适合的模型类型。 对AR模型和MA模型以及低阶ARMA模型进行初步识别 缺点： 精度不够，尤其是当样本序列未达到足够长度时，其精度更不理想。 样本自相关函数与偏自相关函数 通过考察平稳序列样本自相关函数与偏自相关函数的性质选择适合的模型拟合观察值序列，所以模型拟合的第一步是要根据观察值序列的取值求出该序列的样本自相关函数 和样本偏自相关函数 的值。 样本自相关函数可以根据以下公式求得： 样本偏自相关函数可以根据以下公式求得： 平稳序列的自相关函数和偏自相关函数的统计特性 由于样本的随机性，样本的相关函数不会呈现出理论截尾的完美情况，本应截尾的样本自相关函数或偏自相关函数仍会呈现出小值振荡的情况。 (1)若时间序列的自相关函数 在m步截尾(即 )，并且偏自相关函数 被负指数函数控制收敛到零，则可以判断时间序列为MA(m)序列。 实际计算的样本自相关函数 不会在m步后全为零，而是在零的上下波动。 判定 在m步之后截尾的做法是： 对于每个k0，分别考察 判定 在n步之后截尾的做法是： 拖尾：即被负指数控制收敛于零。 若序列自相关函数和偏自相关函数无以上特征，而是出现缓慢衰减或周期性衰减情况，则说明序列不是平稳的。 例：见演示试验。 第二节 模型的定阶 自相关函数和偏自相关函数定阶法 自相关函数和偏自相关函数不但可以用来进行模型的识别，同样也可以用来进行AR模型和MA模型的定阶。 该方法对ARMA模型定阶较为困难，同时，即使对AR或MA模型，用该方法判定的阶数也只能作为初步参考值，还需结合其他方法确定出模型精确的阶数。 残差方差定阶法 残差方差定阶法借用了统计学中多元回归的原理。 假定模型是有限阶的自回归模型，如果选择的阶数小于真正的阶数，则是一种不足拟合，因而剩余平方和必然偏大，残差方差也将偏大；如果选择的阶数大于真正的阶数，则是一种过度拟合，残差方差并不因此而显著减小。 残差方差图定阶法就是依据以上思想确定时间序列模型的适合阶数。 具体做法： 用一系列阶数逐渐递增的模型进行拟合，每次都求出 ，然后以阶数为横轴，以 为纵轴画出残差方差图。 AR、MA、ARMA三种模型的残差方差估计式分别为： 缺点： 没有一个定量的准则，判定的阶数具有主观性 对于混合的ARMA模型，由于有两个阶数，操作起来很不方便。 F检验定阶法 基本过程： 对N个独立的观察值，建立回归模型： 若舍弃后面S个因子，另建一个回归模型： 检验舍弃的回归因子对Y的影响是否显著，等价于检验原假设： 残差方差图定阶法和F检验定阶法本质上都是利用拟合模型的剩余平方和，残差方差图定阶法判定阶数带有一定的主观性， F检验定阶法则提供给我们一定量的准则，实际中二者可以结合运用。 先用残差方差图定阶法判定一个大致偏高一点的阶数，再用F检验定阶法确定模型的适合阶数。 最佳准则函数定阶法 AIC准则由两部分构成，第一部分反映模型拟合的好坏，第二部分表明模型参数的多少。 对事先给定的最高阶数M(N),如果 对于AR模型，AIC函数可取： BIC定阶 理论上AIC准则不能给出模型阶数的相容估计，即当样本趋于无穷大时，由AIC准则选择的模型阶数不能收敛到其真值（通常比真值高）。另一个定阶选择是BIC准则： 对于AR模型： 还可以定义其它类型的准则函数，如 与AIC准则相比，BIC准则对模型参数考虑更多，BIC达到极小时所对应的阶数往往比AIC准则相应定出的阶数低。 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 一、模型参数的矩估计 矩估计法是一种参数初估计方法，与最小二乘估计法和