第二章 线性平稳时间序列模型.pptVIP

本章小结 本章主要讲述了以下内容： 1 时间序列预处理，在建立平稳时序模型首先对进行平稳性和纯随机性检验，如果是平稳非纯随机序列，才可以建立ARMA模型。 2 线性平稳时序建立模型的原理，主要序列之间存在记忆性（相关性）。 3 平稳时间序列模型包括AR、MA、ARMA。 一般移动平均模型的形式： （二）一般移动平均模型，MA(q) 其中：at为白噪声序列。 从一般移动平均模型可以看出，xt仅 与at，at-1，…at-q有关，而与at-j(jq) 无关。 三、自回归移动平均模型，ARMA（p,q） 1.自回归移动平均模型的一般形式 如果xt即有AR模型特性，又有MA模型的 特性，那么它可以用如下的线性模型来描述： 其中：(1)at是白噪声序列,(2)假定：E(xt,as)=0 (ts)，那么我们就说xt满足自回归移动平均模型，记为ARMA(p,q)。 返回本节首页 下一页 上一页 例如 ARMA(2,1) ARMA(3,2) …… 从以上可以看出AR、MA、ARMA(p,q)等 模型均可以看作是 ARMA(p,p-1) 模型的特例， 这为我们提供了一种很好的建模策略，即建 模时，可以通过逐渐增加ARMA(p,p-1) 模型的 阶数，逐渐找到最有效的模型。 思考：如果{xt}是一个非零均值的平稳时间序列，怎么对其建立模型？ 2.ARMA(p,q)模型的另一种表示方式 用Bk表示k步线性推移算子或延迟算子 (backward shift operator, delay operator) ,则有 并令： 那么，ARMA(p,q)可简写为： 把 看作算子B的多项式，通常 假定它们之间不出现公共因子。 例如 Thank you very much! * * 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 返回本节首页 下一页 上一页 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。 返回本节首页 下一页 上一页 例4：标准正态白噪声序列纯随机性检验 返回例题 检验结果 延迟 Q统计量检验 Q统计量值 P值 延迟6期 4.3435 0.63 延迟12期 14.171 0.29 由于P值显著大于显著性水平 ，所以该序列不能拒绝纯随机的原假设。 返回例题 例3 续 对1949－1998年北京市最高气温序列做白噪声检验。 自相关图 返回例题 例3续 白噪声检验结果 延迟阶数 Q统计量检验 Q检验统计量的值 P值 6 5.384 0.496 12 6.1721 0.907 由于P值显著大于显著性水平 ，所以不能拒绝序列纯随机的原假设。因而可以认为北京市最高气温的变动属于纯随机波动。这说明我们很难根据历史信息预测未来年份的最高气温。 返回例题 例5 时序图 返回例题 例5自相关图 返回例题 例5 白噪声检验结果 延迟阶数 Q统计量检验 Q检验统计量的值 P值 6 65.151 0.0001 12 71.773 0.0001 由于P值显著小于显著性水平 ，所以我们可以以很大的把握断定北京是城乡居民定期储蓄比例序列属于非白噪声序列。 返回例题 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。 返回本节首页 下一页 上一页 第二节 建立线性时序模型的原理 ——动态性 返回本节首页 下一页 上一页 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： 系统 输入 输出（响应） 例 （1）某人在某一天打了一针，如果当天的反应 是疼痛 ，而以后没有其它反应，那么系统 的输入、输出如下： 时间 t ：1 2 3 4 5 输入 at: 0 1 0 0