时间序列模型的建立与预测.docVIP

第六节 时间序列模型的建立与预测 ARIMA过程yt用 ( (L) Δdyt) = (+( (L) ut 表示，其中( (L)和( (L)分别是p, q 阶的以L为变数的多项式，它们的根都在单位圆之外。(为Δdyt，Δdyt表示对yt 进行d次差分之后可以表达为一个平稳的可逆的ARMA过程。这是随机过程的一般表达式。它既包括了AR，MA 和ARMA过程，也包括了单整的AR，MA和ARMA过程。 图 建立时间序列模型程序图建立时间序列模型通常包括三个步骤。（1）模型的识别，（2）模型参数的估计，（3）诊断与检验。 模型的识别就是通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d, p, q的取值。 模型参数估计就是待初步确定模型形式后对模型参数进行估计。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，或者残差序列不能近似为一个白噪声过程，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。建摸过程用图表示。下面对建摸过程做详细论述。 1模型的识别 模型的识别主要依赖于对相关图与偏相关图的分析。在对经济时间序列进行分析之前，首先应对样本数据取对数，目的是消除数据中可能存在的异方差，然后分析其相关图。 识别的第1步是判断随机过程是否平稳。由，如果一个随机过程是平稳的，其特征方程的根都应在单位圆之外如果( (L) = 0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，即可认为该时间序列是非平稳的。这时应对该时间序列进行差分，同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳的序列。对于经济时间序列，差分次数d通常只取0，1或2。 实际中也要防止过度差分。一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。对于一个序列，差分后若数据的极差变大，说明差分过度。 第2步是在平稳时间序列基础上识别ARMA模型阶数p, q。表给出了不同ARMA模型的自相关函数和偏自相关函数。当然一个过程的自相关函数和偏自相关函数通常是未知的。用样本得到的只是估计的自相关函数和偏自相关函数，即相关图和偏相关图。建立ARMA模型，时间序列的相关图与偏相关图可为识别模型参数p, q提供信息。相关图和偏相关图（估计的自相关系数和偏自相关系数）通常比真实的自相关系数和偏自相关系数的方差要大，并表现为更高的自相关。实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。表 ARIMA过程与其自相关函数偏自相关函数特征 模 型 自相关函数特征 偏自相关函数特征 ARIMA(1,1,1) ( xt = (( ( xt-1 + ut + (1ut-1 缓慢地线性衰减 AR（1） xt = (( xt-1 + ut 若(( 0，平滑地指数衰减 若(( 0，正负交替地指数衰减 若(( 0，k=1时有正峰值然后截尾 若(( 0，k=1时有负峰值然后截尾 MA（1） xt = ut + (1 ut-1 若(1 0，k=1时有正峰值然后截尾 若(1 0，k=1时有负峰值然后截尾 若(1 0，交替式指数衰减 若(1 0，负的平滑式指数衰减 AR（2） xt = (( xt-1 + (2 xt-2 + ut 指数或正弦衰减 （两个特征根为实根） （两个特征根为共轭复根） k=1, 2时有两个峰值然后截尾 （(( 0，( 0） （(( 0，( 0） MA（2） xt = ut + (1 ut-1+ (2 ut-2 k=1, 2有两个峰值然后截尾 （(1 0，(2 0） （(1 0，(2 0） 指数或正弦衰减 （(1 0，(2 0） （(1 0，(2 0） ARMA（1，1） xt = ( xt-1 + ut + (1 ut-1 k=1有峰值然后