计量经济学 8.2 随恍满时间序列模型.pptVIP

§8.2 随机时间序列分析模型Stochastic Time Serial Model;说明;一、时间序列模型概述;1、时间序列模型;2、随机时间序列模型的适用性;二、随机时间序列模型的平稳性条件;1、AR(p)模型的平稳性条件;考虑p阶自回归模型AR(p);容易得到如下平稳性条件;2、MA(q)模型的平稳性;3、ARMA(p,q)模型的平稳性;4、总结;三、随机时间序列模型的识别;所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。 所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function， PACF ）。;1、AR(p)过程;偏自相关函数 自相关函数ACF(k)给出了Xt与Xt-1的总体相关性，但总体相关性可能掩盖了变量间完全不同的隐含关系。 与之相反，Xt与Xt-k间的偏自相关函数(partial autocorrelation，简记为PACF)则是消除了中间变量Xt-1，…，Xt-k+1 带来的间接相关后的直接相关性，它是在已知序列值Xt-1，…，Xt-k+1的条件下，Xt与Xt-k间关系的度量。 AR(p)的一个主要特征是:kp时，?k*=Corr(Xt,Xt-k)=0 ，即?k*在p以后是截尾的。;随机时间序列的识别原则： 若Xt的偏自相关函数在p以后截尾，即kp时，?k*=0，而它的自相关函数?k是拖尾的，则此序列是自回归AR(p)序列。 ;2、MA(q)过程;3、ARMA(p, q)过程;四、随机时间序列模型的估计;AR(p)、MA(q)、ARMA(p,q)模型的估计方法较多，大体上分为3类： 最小二乘估计； 矩估计； 利用自相关函数的直接估计。 下面有选择地加以介绍。 ;⒈ AR(p)模型的Yule Walker方程估计;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;⒉ MA(q)模型的矩估计;⒊ ARMA(p,q)模型的矩估计;第二步，改写模型，求?1,?2,?,?q以及??2的估计值 ;⒋ AR(p)的最小二乘估计;五、模型的检验;1、残差项的白噪声检验;可用QLB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??识别与估计。 ;2、AIC与SBC模型选择标准