第三章线性平稳时间序列模型.ppt

第三章 线性平稳时间序列模型 第一节 时间序列的预处理 一、平稳性检验 二、纯随机性检验 时间序列的预处理 一、平稳性检验 1.平稳性定义（性质） 2.平稳性检验的方法 3. 应用举例 1.平稳性定义——知识回顾 严平稳 严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。 宽平稳 宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。 2.平稳性检验方法 (1)通过时间序列的趋势图来判断 (2)通过自相关函数(ACF)判断 特征根检验法 单位根检验法 非参数检验法 图检验（特点） 这种方法是通过观察时间序列的趋势图和自相关图来判断时间序列是否存在趋势性或周期性。 优点：简便、直观。对于那些明显为非平稳的时间序列，可以采用这种方法。 缺点：对于一般的时间序列是否平稳，不易用这种方法判断出来。 (1)时序图检验（判断准则） 根据平稳时间序列均值、方差为常数的性质，平稳序列的时序图应该显示出该序列始终在一个常数值附近随机波动，而且波动的范围有界、无明显趋势及无周期特征 (2)自相关图检验（判断准则） 平稳序列通常具有短期相关性。该性质用自相关系数来描述就是随着延迟期数的增加，平稳序列的自相关系数会很快地衰减向零。 若时间序列的自相关函数在k3时都落入置 信区间，且逐渐趋于零，则该时间序列具有平稳性； 若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性。 若序列无趋势，但是具有季节性，那末对于按月采集的数据，时滞12，24，36……的自相关系数达到最大(如果数据是按季度采集，则最大自相关系数出现在4，8，12， ……)，并且随着时滞的增加变得较小。 3.应用举例 例1 时序图 自相关图 检验1951年——2005年我国居民消费价格指数的平稳性 例2 时序图 自相关图 检验1990年1月——1997年12月我国工业总产值序列的平稳性 例3 时序图 自相关图 检验1949年——1998年北京市每年最高气温序列的平稳性 例1 居民消费价格指数时序图 例1居民消费价格指数自相关图 例2 GIP时序图 例2 GIP相关图 例3 北京市最高气温时序图 例3 北京市最高气温自相关图 二、纯随机性检验 （一）纯随机序列的定义 （二）纯随机性的性质 （三）纯随机性检验 （一）纯随机序列的定义 纯随机序列也称为白噪声序列，它满足如下两条性质 标准正态白噪声序列时序图 （二）白噪声序列的性质 纯随机性 各序列值之间没有任何相关关系，即为 “没有记忆”的序列 方差齐性(平稳) 根据马尔可夫定理，只有方差齐性假定成立时，用最小二乘法得到的未知参数估计值才是准确的、有效的 （三）纯随机性检验 1.检验原理 2.假设条件 3.检验统计量 4.判别原则 5.应用举例 1.检验原理:Barlett定理 如果一个时间序列是纯随机的，得到一个观察期数为 的观察序列，那么该序列的延迟非零期的样本自相关系数将近似服从均值为零，方差为序列观察期数倒数的正态分布 2.假设条件 原假设：延迟期数小于或等于 期的序列值之间相互独立 备择假设：延迟期数小于或等于 期的序列值之间有相关性 3.检验统计量 Q统计量 （大样本） LB统计量 （小样本） 4.判别原则 拒绝原假设 当检验统计量大于 分位点，或该统计量的P值小于 时，则可以以 的置信水平拒绝原假设，认为该序列为非白噪声序列 接受原假设 当检验统计量小于 分位点，或该统计量的P值大于 时，则认为在 的置信水平下无法拒绝原假设，即不能显著拒绝序列为纯随机序列的假定 5.应用举例 例4：标准正态白噪声序列纯随机性检验。 例3 续 对1949－1998年北京市最高气温序列做白噪声检验。 例5 对1950年——1998年北京市城乡居民定期储蓄所占比例序列的平稳性与纯随机性进行检验。 例4：标准正态白噪声序列纯随机性检验 检验结果 例3 续 对1949－1998年北京市最高气温序列做白噪声检验。 例3续 白噪声检验结果 例5 时序图 例5自相关图 例5 白噪声检验结果 结合前面的平稳性检验结果，说明该序列不仅可以视为是平稳的，而且还蕴含着值得我们提取的相关信息。这种平稳非白噪声序列是目前最容易分析的一种序列。 第二节 建立线性时序模型的原理 ——动态性 动态性：就是指时间序列各观测值之间的相关性。 从系统的观点看：动态性即指系统的记忆性，也就是某一时刻进入系统的输入对系统后继行为的影响，图示如下： 第三节