本时间序列分析第四章小结要点.pptVIP

时间序列分析 第四章 平稳时间序列模型的建立 2. 模型参数的矩估计(初估计) （1）AR模型参数的矩估计 根据Yule-Walker方程 可以得到： 又有 又有： 可得： 例1：求AR(1)模型参数的矩估计 （2）MA模型参数的矩估计 在第三章考察模型的自协方差时我们得到： 这是一个由m+1个方程构成的非线性方程组。 常用的求解方法有三种：直接法、线性迭代法和Newton-Raphson算法。 例：求MA(1) 模型参数的矩估计 （3）ARMA模型参数的矩估计 是否能利用Yule-Walker方程？为什么？ ARMA(m,n)模型： 一般矩估计的方法： 例：ARMA(1,1)模型参数的矩估计 第四节 模型的适应性检验 模型的适应性检验： 模型是否完全或基本上解释了系统的动态性； at是否是一白噪声序列； 关键是at的独立性检验 本节主要介绍的模型适应性检验的方法有： 一、 散点图法 二、估计相关系数法 三、 F检验 四、 检验法 * 第四章 平稳时间序列模型的建立 第四章 平稳时间序列模型的建立 共分六节： ※第一节 模型识别 ※第二节 模型定阶 ※第三节 模型参数估计 ※第四节 模型的适应性检验 ※第五节 建模的其它方法 ※第六节 实例 第一节 模型识别 一、对模型识别问题的认识 ： 1. 模型识别既是模型建立中的一个重要步骤也是一个过程 2. 一个具体的时间序列分析问题： 建模 建立时间序列 应用分析 诊断检验 参数估计 模型识别 二、用自相关函数和偏自相关函数识别 1. B-J方法模型识别的依据 2. 这种识别方法的优缺点： 优点：简单易懂，易于操作，应用广泛。 缺点：精度不够，特别是序列长度不足够长时。 这是因为 （1）识别时用的是自相关函数和自协方差函数的样本估计值，它们与理论值有一定差异； （2）对高阶ARMA模型的识别，显得有些力不从心。 改进措施：可利用自相关和自协方差函数做初步识别，再结合其他方法确定模型。 三、实际操作中的问题 1. 零均值的显著性检验 判断时间序列是否是零均值的，即判断给出的样本序列是否与零有显著性差异（是否显著为零或显著非零）。 若显著非零 进行零均值化 不进行零均值化 判断平稳性、识别、估计、检验等 这时是将均值作为一个未知参数代入模型中，模型的形式也将会有所改变，参数估计时，需估计序列的均值。 （1）序列均值的方差为： 均值μ可用样本均值 对有N个观察值的有限时间序列( )，其 在大样本情况下，上面的方差表达式可以近似表示为： 来估计，且是μ的无偏估计。为度量其精度，我们有： （2）零均值的显著性判断： 我们考察均值μ的估计 的均值和方差，为我们判断序列是否零均值提供了一种依据。 如果样本均值在以下范围内可认为是零均值过程。 另外，由 可看出： 若原时间序列是独立随机变量序列，则有 若Xt之间存在自相关， 的方差就发生了变化 对AR(1)模型，有 由 有： 在判断一个时间序列是否零均值时，我们也可以先初步判断序列所适合的模型，再根据该模型的样本均值的方差进行零均值检验。 其它模型的样本均值的方差可根据模型的自相关函数特点用同样方法算出。 2. 自相关和偏自相关函数估计值的截尾和拖尾性判断 (1)自相关函数和偏自相关函数的估计值的渐近分布 在进行模型识别(主要是考虑自相关函数和偏自相关函数的截尾和拖尾性)时，要用到自相关和偏自相关估计的标准差 自相关函数q步截尾，当kq时，有 偏自相关函数p步截尾，当kp时，有 截尾：从某一步q开始与零是否有显著性差别的显著性检验。若从某一步q开始与零无显著性差别，即为截尾。观察是否落入2倍标准差范围内，若是，则与零无显著性差别，即为截尾。 拖尾：在不长时间内收敛，逐渐衰减至零附近。 既不截尾也不拖尾：无上述特征，呈明显缓慢衰减或周期性衰减。这说明序列是非平稳的。 (2)截尾、拖尾性的判断 即如果自相关函数是q阶截尾的，当kq时，自相关估计值的方差满足 (kq) 如果自相关估计值在 范围内，可看成是截尾的。 第二节 模型定阶 一、自相关和偏自相关函数定阶法 二、残差方差图定阶法 三、 F检验定阶法 四、 最佳准则函数定阶法(AIC、FPE、BIC准则) 一、