ARMA模型的识别与估计.pptVIP

时间序列分析模型（二） ——ARMA（p, q)模型的识别与估计 时间序列模型 时间序列模型：由它的过去值及随机扰动项所建立起来的模型，一般形式为： A、P阶自回归过程AR(P) B、q 阶移动平均过程MA (q) C、自回归移动平均过程ARMA (p, q) 随机时间序列模型的平稳性条件 1、AR (p)模型的平稳性条件 随机时间序列描述了随机过程，其平稳性与该随机过程的平稳性是等价的，因此，如果一个p 阶自回归模型AR (p)生成的时间序列是平稳的，那么该AR (p)模型就是平稳的。否则，其为非平稳的。 A、 AR (p)模型稳定的必要条件 B、由于 可正可负， AR (p)模型稳定的充分条件是 2、MA (q)模型的平稳性 当滞后期大于q 时 ，Xt的自协方差系数为0.因此，有限阶移动平均模型总是平稳的。 3、ARMA (p, q)模型的平稳性 由于ARMA (p, q)模型是AR (p)模型与MA (q)模型的组合，而MA (q)模型总是平稳的，因此ARMA (p, q)模型的平稳性取决于AR (p) 部分的平稳性。当AR (p) 部分平稳时，则该ARMA (p , q)模型是平稳的；否则，其为不平稳的。 随机时间序列模型的识别 一个平稳的随机时间序列，通过时间序列的自相关函数ACF及偏自相关函数PACF找出生成它的合适的随机过程或模型，即判断其遵循一纯AR过程，还是遵从一纯MA过程还是ARMA过程。 ARMA (p, q)模型的ACF与PACF理论模式 随机时间序列模型的估计 最小二乘估计 矩估计 利用自相关函数直接估计 随机时间序列模型的检验 由于在实际识别ARMA (p, q)模型时，滞后项阶数的选择并不容易，因此，在模型识别后还需进行检验。 A、检验残差序列是否存在自相关 B、赤池信息准则（AIC）与施瓦兹准 则(SC)。 在选择可能的模型时，AIC与SC越小越好。 案例分析 中国支出法GDP的ARMA (p, q)模型估计。 从上一章的平稳性分析中我们得知，中国支出法GDP是非平稳的，其为一阶单整的。因此，可以对经过一阶差分后的GDP建立恰当的ARMA (p, q)模型。 在EVIEWS命令栏内输入： DGDP=GDP-GDP(-1) or DGDP=d (GDP) 得到GDP一阶差分序列。 DGDP自相关与偏自相关图 按照上一章得到自相关图的方法，我们得到DGDP的自相关和偏自相关图 从DGDP的样本自相关以及偏自相关图中可以看出，样本自相关函数呈正弦式衰减，而偏自相关函数图形则在之后两期后迅速趋于0. 因此，可以初步判断该序列满足2阶自回归过程 AR (2)。 同样，从自相关函数和偏自相关函数的数值看，自相关函数具有明显的拖尾性；偏自相关函数在k2以后， 因此也可认为偏自相关函数是截尾的。再次证明GDP的一阶差分序列满足AR(2)随机过程。 最小二乘估计结果 不带常数项的估计结果 在命令栏内输入 ls dg dg(-1) dg(-2),得到最小二乘估计结果如下： 带有常数项的估计结果 在命令栏内输入ls dg c dg(-1) dg(-2),得到回归结果如下： 不带常数项的模型残差项自相关函数及Q检验值 可见，此模型存在4阶滞后相关问题。从Q统计量说明拒绝了所有自相关系数为0的假设。因此，不能作为描述中国支出法GDP一阶差分序列的随机生成过程。 残差项自相关函数以及Q检验值 可见，此模型的残差项接近与一白噪声，因此，其为中国支付法GDP一阶差分序列的随机生成过程。 外推预测 根据建立的AR(2)模型，我们可以对中国支出法GDP进行外推预测。带常数项的模型可以展开为： 得到： 当得知t-1, t-2, t-3期的GDP时，就可外推预测第t期的GDP。 * * P阶后衰减趋于0（几何型或振荡型） q阶后衰减趋于0（几何型或振荡型） ARMA (p, q) 衰减趋于0（几何型或振荡型） q阶后截尾： MA (q) P阶后截尾： 衰减趋于0（几何型或振荡型） AR (p) 白噪声 PACF ACF 模型