第四讲 平稳时间序列模型的建立.pptVIP

例7 用AIC准则和SBC准则评判两个拟合模型的相对优劣 结果 AR(1)优于MA(2) 模型 AIC SBC MA(2) 536.4556 543.2011 AR(1) 535.7896 540.2866 第五节 其它建模方法 一、Pandit-Wu建模方法的基本思想 二、建模步骤 三、Pandit-Wu方法建模举例 一、Pandit-Wu建模方法的基本思想 Pandit-Wu建模方法以下面认识为依据：即任一平稳序列总可以用一个ARMA(n,n-1)模型来表示，而AR(p)，MA(q)以及ARMA(p,q)都可看作是ARMA(n,n-1)模型的特例。 Pandit-Wu方法的基本思想为：逐渐增加模型的阶数，拟合较高阶的ARMA(n,n-1)模型，直到再增加模型的阶数而剩余平方和不显著减少为止。 二、建模步骤 1、将序列平稳化、零均值化(也可将均值作为一个参数估计)。 2、从p=1开始，逐渐增加模型阶数，拟合ARMA(2n,2n-1)，并进行模型的适性检验。 3、模型的检验。 4、选择最优模型。 三、Pandit-Wu方法建模举例 见Eviews操作。 * 准则函数使用注意 1、当样本量趋于无穷时，用AIC准则挑选的最佳模型的阶数往往比真实模型阶数高，而用SBC准则确定的最佳模型的阶数往往与真实模型的阶数相一致。 2、样本量不是很大时，SBC准则的定阶效果不及AIC。 一、矩估计 二、极大似然估计 三、最小二乘估计 第三节 模型参数估计 一、矩估计 原理 样本自相关系数估计总体自相关系数 样本一阶均值估计总体均值，样本方差估计总体方差 例1 求AR(2)模型系数的矩估计 AR(2)模型 Yule-Walker方程 矩估计（Yule-Walker方程的解） 例2 求MA(1)模型系数的矩估计 MA(1)模型 方程 矩估计 例3 求ARMA(1,1)模型系数的矩估计 ARMA(1,1)模型 方程 矩估计 对矩估计的评价 优点 估计思想简单直观 不需要假设总体分布 计算量小（低阶模型场合） 缺点 信息浪费严重 只用到了p+q个样本自相关系数信息，其他信息都被忽略 估计精度差 通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值 二、极大似然估计 原理 在极大似然准则下，认为样本来自使该样本出现概率最大的总体。因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达到最大的参数值 似然方程 由于 和 都不是 的显式表达式。因而似然方程组实际上是由p+q+1个超越方程构成，通常需要经过复杂的迭代算法才能求出未知参数的极大似然估计值 对极大似然估计的评价 优点 极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质 缺点 需要假定总体分布 三、最小二乘估计 原理 使残差平方和达到最小的那组参数值即为最小二乘估计值 条件最小二乘估计 实际中最常用的参数估计方法 假设条件 残差平方和方程 解法 迭代法 对最小二乘估计的评价 优点 最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 条件最小二乘估计方法使用率最高 缺点 需要假定总体分布 例4 确定1950年—1998年北京市城乡居民定期储蓄比例序列拟合模型的口径 拟合模型：AR(1) 估计方法：极大似然估计 模型口径 例5 确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 拟合模型：MA(1) 估计方法：条件最小二乘估计 模型口径 例6 确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 拟合模型：ARMA(1,1) 估计方法：条件最小二乘估计 模型口径 一、模型检验二、模型的优化 第四节 模型检验与优化 一、模型的检验 1、模型的平稳可逆性检验 Eviews 估计结果直接输出自回归部分所对应的差分方程的特征根:inverted AR root. 移动平均部分所对应的差分方程的特征方程的特征根：inverted MA root. 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列. 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效. 2、模型的显著性（适应性）检验 假设条件 原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列 检验统计量 LB统计量 例1 检验1950年—1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 残差白噪声序列检验结