第二课单变量平稳时间序列模型.docVIP

第二章 单变量平稳时间序列模型 本章介绍的时间序列模型为单变量的时间序列模型。在单变量的情形中，一个序列只用其自身的过去值和某个干扰项来建立模型。其一般表达式为： 试图只用一个序列的历史信息来解释和预测该序列，而忽略与之相关序列的潜在信息，似乎是并不是最可取的方法。但有两个可能的理由促使我们采用单变量时间序列建模：一是相关序列这间的可能关系是什么，还缺乏可靠的先验信息。在此情形下，单变量时间序列建模可能是一个有用的简化手段，并可以进行有效的短期预测；二是如果有关经济结构的理论已相当成熟，则可以表明，这个结构的某种表现将是对该结构中的每个内生变量都给出一个与单变量模型方程相同的方程形式。例如，考虑最简单的宏观模型 通常消费C和收入Y被称为内生（endogenous）变量，而I为外生（exogenous）变量。两方程可以变为 上述方程中，如果I是一个白噪声序列，则C是一个AR（1）过程，而Y是一个ARMA（1，1）过程。 本章主要介绍三种单变量模型：自回归（AR）模型、移动平均（MA）模型和自回归移动平均（ARMA）模型。 第一节 自回归模型 一、一阶自回归模型AR(1) 如果时间序列独立，就是说事物的后一时刻的行为主要与其前一时刻的行为毫无关系。这样的资料所揭示甲统计规律就是事物独立地随机变动，系统无记忆能力。如果情况不是这样，资料之间有一定的依存性。 后一时刻的行为主要与前一时刻的行为有关，而与其前一时刻以前的行为无直接关系，即已知Xt-1；Xt主要与Xt-1相关。用记忆性来说，就是最短的记忆，即一期记忆，也就是一阶动态性。描述这种关系的数学模型就是一阶自回归模型。即 记作AR（1）。其中Xt 零均值平稳序列，αt 为随机扰动。 一阶自回归模型的特点 Xt对Xt-1有线性相关关系 αt为独立正态同分布序列 AR（1）与普通一元线性回归的关系 一元线性回归 一阶自回归 两个变量，Y为随机变量，X为确定性变量； ； ； ； ； 一个变量，为随机变量； 为白噪声序列，; ； ; 还可假定为正态分布。 主要区别： 普通线性回归模型需要一组确定性变量值和相应的观测值；ＡＲ（１）模型只需要一组随机变量的观测值。 普通一无线性回归表示的是一随机变量对另一个确定性变量的依存关系；而AR（1）表示的是一个随机变量对其自身过去值的依存关系。 普通线性回归是在静态的条件下研究的；AR（1）是在动态的条件下研究的。 二者的假定不同。 普通回归模型实质是一种条件回归，而AR（1）是无条件回归。 主要联系： 固定时刻t-1，且观察值Xt-1已知时，AR（1）就是一个普通的一元线性回归。 AR（1）模型的特例－随机游动 随机游动模型 ２、模型的特性 系统具有极强的一期记忆性，系统在t-1和t时刻的响应，除随机扰动外，完全一致，差异完全是由扰动引起的。 在时刻t-1时，系统的一步超前预测就是系统在t-1时的响应Xt-1，即。 系统行为是一系列独立随机变量的和，即 三、一般自回归模型AR(n) 其中：为白噪声，。 第二节 移动平均模型 一阶移动平均模型MA（1） 如果系统的响应Xt仅与其前一时刻进入系统的扰动αt存在一定的相关关系，则有MA（1）模型： 其中：为白噪声。 MA（1）模型的基本假设为：（1）系统的响应Xt仅与其前一时刻进入系统的扰动αt有一定的依存关系；（2）为白噪声。 一般移动模型 MA（m）模型的形式： 其中：（1）Xt仅与，，… ，有关，而与（j=m+1,m+2,…）无关；（2）为白噪声。 第三节 自回归移动平均(ARMA)模型 ARMA（2，1）模型 1、ARMA（2，1）模型的形式： 其中：与、和有相关关系，白噪声。 2、ARMA（2，1）模型的结构： ARMA（2，1）模型是由一个AR（2）和一个MA（1）两部分构成。 3、ARMA（2，1）与AR（1）的区别 从模型形式看，ARMA（2，1）比AR（1）的项数多；从模型的动态性看，ARMA（2，1）比AR（1）具有更长的记忆；从计算所需的资料看，ARMA（2，1）需要用t期以前的，，…，这需要从初期开始递归地计算出来，通常取零；从参数估计来看，ARMA（2，1）比AR（1）困难。 ARMA（n，n-1）模型 ARMA（n，n-1）模型的基本假设为：独立于（j=n,n+1,…）,从而独立于（j=n+1,n+2,…）. 三、ARMA(n，n一1)模型的合理性 为什么我们以ARMA(n，n一1)模型为一般形式来建立时序模型呢?难道一个ARMA(n，n—1)模型总可以描述一个时间序列吗?对于平稳系统来说，这是毫无疑问的。之所以以ARMA(n，n一1)为基本模型是因为下述理由：