十一时间序列模型.pptVIP

第二步，改写模型，求?1,?2,?,?q以及??2的估计值 将模型 改写为： 令 于是(*)可以写成： (*) 构成一个MA模型。按照估计MA模型参数的方法，可以得到?1,?2,?,?q以及??2的估计值。 ⒋ AR(p)的最小二乘估计 假设模型AR(p)的参数估计值已经得到，即有 残差的平方和为： (*) 根据最小二乘原理，所要求的参数估计值是下列方程组的解： 即 j=1,2,…,p (**) 解该方程组，就可得到待估参数的估计值。 为了与AR(p)模型的Yule Walker方程估计进行比较，将(**)改写成： j=1,2,…,p 由自协方差函数的定义，并用自协方差函数的估计值 代入，上式表示的方程组即为： 或 j=1,2,…,p j=1,2,…,p 解该方程组，得到： 即为参数的最小二乘估计。 Yule Walker方程组的解 比较发现，当n足够大时，二者是相似的。??2的估计值为： 需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。 如果包含常数项，该常数项并不影响模型的原有性质，因为通过适当的变形，可将包含常数项的模型转换为不含常数项的模型。 下面以一般的ARMA(p,q)模型为例说明。 对含有常数项的模型 方程两边同减?/(1-?1-?-?p)，则可得到 其中 1、残差项的白噪声检验 由于ARMA(p,q)模型的识别与估计是在假设随机扰动项是一白噪声的基础上进行的，因此，如果估计的模型确认正确的话，残差应代表一白噪声序列。 如果通过所估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需重新识别与估计。 在实际检验时，主要检验残差序列是否存在自相关。 六、模型的检验 时间序列模型的识别与估计过程往往是同步进行的。由于在实际识别ARMA(p,q)模型时，滞后项阶数的选择并不是一件容易的事，因此模型在识别与估计之后还需进行检验。 2、AIC与SBC模型选择标准 另外一个遇到的问题是，在实际识别ARMA(p,q)模型时，需多次反复偿试，有可能存在不止一组（p,q）值都能通过识别检验。 显然，增加p与q的阶数，可增加拟合优度，但却同时降低了自由度。 因此，对可能的适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。 可用QLB的统计量进行?2检验：在给定显著性水平下，可计算不同滞后期的QLB值，通过与?2分布表中的相应临界值比较，来检验是否拒绝残差序列为白噪声的假设。 若大于相应临界值，则应拒绝所估计的模型，需重新识别与估计。 其中，n为待估参数个数（p+q+可能存在的常数项），T为可使用的观测值，RSS为残差平方和（Residual sum of squares）。 在选择可能的模型时，AIC与SBC越小越好 显然，如果添加的滞后项没有解释能力，则对RSS值的减小没有多大帮助，却增加待估参数的个数，因此使得AIC或SBC的值增加。 需注意的是：在不同模型间进行比较时，必须选取相同的时间段。 常用的模型选择的判别标准有：赤池信息法（Akaike information criterion，简记为AIC）与施瓦兹贝叶斯法（Schwartz Bayesian criterion，简记为SBC）： 中国支出法GDP是非平稳的，但它的一阶差分是平稳的，即支出法GDP是I(1)时间序列。 可以对经过一阶差分后的GDP建立适当的ARMA(p,q)模型。 记GDP经一阶差分后的新序列为GDPD1，该新序列的样本自相关函数图与偏自相关函数图如下： 例、；中国支出法GDP的ARMA(p,q)模型估计。 图形：样本自相关函数图形呈正弦线型衰减波，而偏自相关函数图形则在滞后两期后迅速趋于0。因此可初步判断该序列满足2阶自回归过程AR(2)。 自相关函数与偏自相关函数的函数值： 相关函数具有明显的拖尾性； 偏自相关函数值在k2以后， 可认为：偏自相关函数是截尾的。再次验证了一阶差分后的GDP满足AR(2)随机过程。 设序列GDPD1的模型形式为 有如下Yule Walker 方程： 解为： 用OLS法回归的结果为： （7.91) (-3.60)