-第五章 平稳时间序列预测1.pptVIP

9-54 * 解：预测值的计算 9-54 * 预测方差的计算 Green函数 方差 9-54 * 95%置信区间的计算 时期 95％置信区间 101 （0.136，0.332） 102 （0.087，0.287） 103 （－0.049，0.251） 9-54 * 第三节 实时修正预测 随着时间的推移，某些先前需要预测的未来信息已经变为现实，原来的时间序列预测模型可能没有反应这种现实的变化，此时有两种选择，一种是重新建立预测模型，另一种更好的选择是对原有预测模型进行实时修正。 9-54 * 实时修正预测的具体方法： 对于一个ARMA过程，由 得： 因此： 9-54 * 式中， 为一步预测误差。 结论：新的预测值是在旧的预测值基础上加一个修正项，而这一修正项比例于旧的一步预测误差，比例系数随预测超前步数而变化。 例：P123。 9-54 * 第四节 指数平滑预测——ARMA模型特例 指数平滑预测 预测公式： 其中： 9-54 * 指数平滑两个重要公式 指数平滑与ARMA模型的关系 指数平滑预测公式： 9-54 * 如果预测误差为 ，则： 若在t-1时刻，则 上式正是模型 的逆转形式。 9-54 * 反之，若以该模型的逆转形式进行预测，可得： 此即为指数平滑预测。 结论：指数平滑预测与ARMA（1，1）模型在 时的特殊情况下的预测等价。 * 9-54 * 第五章 平稳时间序列预测 9-54 * 设当前时刻为t，观察值Xt ,Xt-1,Xt-2… 已知，则对Xt+l(l0)的预测称为以t 为原点，向前步长为l的预测，预测值记为 预测误差 预测误差的均方（方差） 9-54 * 线性预测函数，既预测值为已知观测值的线性组合 最小均方（方差）预测原则 上述预测称为线性最小均方（方差）预测 9-54 * 第一节 条件期望预测 时间序列中变量的期望值常用作变量 的点预测。 在 已知 的条件下， 的条件期望，记为： 或 9-54 * 条件期望的性质 性质一： 性质二： 性质三： 性质1表明：条件期望满足线性运算法则；性质2表明：现在或过去观察值的条件期望是其本身，未来取值的条件期望是其预测值；性质3表明：现在或过去的残差的条件期望是它的估计值，未来残差的条件期望则为零。 9-54 * 问题：如何计算出 的条件期望？ 的条件期望预测能使预测误差的均方值达到最小吗？ 9-54 * 用ARMA模型的传递形式进行预测 任一ARMA模型的传递形式： 第二节 预测的三种形式 则 预测表达式： 9-54 * 序列分解 预测误差为 预测误差 预测值 9-54 * 预测误差的方差 的条件方差 9-54 * 的1-α的置信区间 从上式可以看出，一定置信水平条件下，l步预测的区间宽度只和l有关，和t无关，l越大，区间越宽。因此，ARMA模型适合短期预测。 9-54 * 下面证明条件期望预测为最小均方误差预测 由ARMA模型的平稳可逆性，线性预测函数也可以表示为以下形式： 9-54 * 预测误差的方差 要使上式最小， 9-54 * 则 上式为无穷求和，由格林函数的指数衰减性，实际中在满足精度要求的条件下，舍弃后面项。 可以递推算出。 这就是条件期望预测的表达式 9-54 * 用ARMA模型的逆转形式进行预测 任一ARMA模型的逆转形式： 预测表达式： 9-54 * 上式也是一无穷求和，由逆函数的指数衰减性，满足精度条件下，舍弃后面无穷项。 9-54 * 用ARMA模型（即差分方程形式）进行预测 AR(n)模型 则： 9-54 * 式中： 预测误差同前： 9-54 * 例:已知某超市月销售额近似服从AR(2)模型（单位：万元/每月） 今年第一季度该超市月销售额分别为： 101，96，97.2 请确定该超市第二季度每月销售额的95％的置信区间 9-54 * 解：预测值计算 四月份： 五月份: 六月份: 9-54 * 预测方差的计算 GREEN函数 方差 9-54 * 95%的置信区间 公式 估计结果 预测时期 95％置信区间 四月份 （85.36，108.88） 五月份 （83.72，111.15） 六月份 （81.84，113.35） 9-54 * MA（m）模型 有 预测值 9-54 * 当l≤m时 当lm时 9-54 * MA(m)序列预测方差 9-54 * 例:已知某地区每年常驻人口数量近似服从MA(3)模型（单位：万人）： 最近3年的常驻人口数量及一步预测数量如下： 预测未来5年该地区常住人口的95％置信区间,其中