第六章时间序列11.ppt

称φkk(k1)为xt的偏相关系数。在概率意义下，表示已 知xt-1,xt-2,….xt-k+1时的 xt与xt-k的条件相关系数。 对AR（P）序列xt，将 Xt =φ1Xt-1+φ2Xt-2+……φpXt-P+at 代入 令Kp，利用性质E（atxt-j)=0 (j0), 上式为 为使Q达到最小，应取 表明AR（P）序列xt的偏相关函数φkk(kP）以后是“截尾”的。 即φkk=0。 反之可以证明，如果序列xt的偏相关函数φkk在P步后截尾，则xt 必是AR（P）序列。偏相关系数的截尾性是AR序列的特有属性。 可证，ARMA（P， q),MA(q)序列xt的偏相关函数φkk不截尾， 而是拖尾的。即他们的φkk没有截止点。 （1）若xt的自相关系数拖尾，偏相关系数截尾，则可断言xt是AR 序列。 （2）若xt的自相关系数截尾，偏相关系数拖尾，则可断言xt是MA 序列。 （3）若xt的自相关系数和偏相关系数都不截尾，且按负指数规律 衰减收敛于零（拖尾），则可断言xt 是ARMA 序列。 偏相关函数是反映消除(p一1)阶自相关影响后所剩余的 自相关程度 平稳时序xt 有以下结论： 在模型初步认别中，主要的依据是样本序列的自相关函数和偏相关函数。主要特点归纳如下： 第七节 模型的识别和检验 模型识别:根据Xt的一段样本所包含的信息，利用自相 关函数、偏相关函数的“拖尾”、“截尾” 性质，或其他准则判定模型类别及阶次。 AR(p)序列 自相关函数rk，随滞时k的增大逐步变小，自相关图呈拖尾状。 它的偏相关函数Φk,k呈截尾状，单调或波动衰减趋向于零。在k=p 处出现一个截止点，即在k≦p 时,Φk,k≠0 ，当kp时 Φk,k=0。 (2) MA(q)序列 自相关函数rk呈截尾状，k=q时出现一个截尾点，即在 时 rk≠0；当kq时rk=0。相反，它的偏相关函数随阶数的增加而逐 渐变小，呈拖尾状。单调或波动衰减趋向于零。 (3) ARMA(p,q)序列 自相关函数和偏相关函数都没有截尾点，均以拖尾状而逐渐变小， 趋向于零。 缺陷： 但由样本序列去估计自相关函数rk和偏相关函数 Φk,k抽样误差较大，难以直观判断，必须进行统计推 断。 例如，即使是出自AR(p)模型的序列，由于抽样的 缘故在kp时由样本序列估计出的也不全会为零，而在 零上下起伏，而用统计检验方法，推断出它们和零的 差异并不显著，则可认为截尾点是k=p，从而推断序列 为AR(p)序列。 下面分别叙述MA(q)，AR(p)和ARMA(p,q)模型识别 的具体方法： 一、 AR(P)模型阶数的识别 模型阶数的识别，对AR(p)模型来讲甚为重要。 (1)由AR(p)模型的自相关函数与偏相关函数的性质来识别 AR(p)模型的理论自相关函数是拖尾的，而理论偏相关函数是截尾的。因此，可以由此性质对阶数p进行判断。但是，由于计算的自相关函数与偏相关函数是估计值，必然有误差，因此即使{xt’}是AR(p)序列，当偏相关函数在k＞p后也不会全为零，而在零上下起伏摆动。 实际应用时，如果偏相关函数的估计值 在k＞p后的各个偏相关函数值中有68．3％满足 可判断为偏相关函数＝0，若某一序列 即可认为该序列是在k＝p处截尾的。 这是一种对阶数p初步识别的方法。 φ (2)FPE(最终预报误差)准则 这是由日本学者赤池弘茨提出的识别自回归阶数的一种准则函数。 它的基本思路是： 如果有一平稳零均值序列，它的真阶是AR(1)，则有： xt=φ1xt-1+at 它的一步预报则为 预报误差方差 若以AR(2)来估计，则其预报误差的方差增大，这说明若估计的模型阶数高了会使预报误差的方差增大，同样低了也要使预报误差方差增大。 由此，把 寻找使φ(k)达到极小的k＝p作为AR(p)模型阶数p的估计。并由此导出下式： 作为目标函数 上式中，k为所取阶数，n为样本数,σk2为k阶预报误差 方差，可由下式算得 容易看出, σk2是k的减函数，它随着k的增加而减小。 当k超过某个k0时(FPE)k不再减小反而增加。就以此k0作为模型阶数p的估计p’。 则随着k的增加而增加。因此， 1 用最小FPF准则进行AR模型的阶数判定和参数估计的 步骤如下 二、模型识别的AIC准则 日本的赤池（Akaike）对于A