6 随机时间序列模型.pptVIP

第6章 随机时间序列分析模型Stochastic Time Serial Model 主要内容 6.1 时间序列模型的平稳性检验 6.2 随机时间序列模型的平稳性条件 6.3 随机时间序列模型的识别 6.4 随机时间序列模型的估计 6.5 随机时间序列模型的检验 6.6 软件操作与应用实例 两类时间序列模型 随机时间序列模型：揭示时间序列不同时点观测值之间的关系，也称为无条件预测模型。 随机性时间序列模型包括：AR(p)、MA(q)、ARMA(p,q)。 时间序列结构模型：通过协整分析，建立反映不同时间序列之间结构关系的模型，揭示了不同时间序列在每个时点上都存在的结构关系。 6.1 时间序列的平稳性检验 一、平稳性定义 二、平稳性的图示检验 三、平稳性的单位根检验 6.1 时间序列的平稳性检验 二、平稳性的图示检验 1、利用散点图进行平稳性判断 画出该时间序列的散点图，然后直观判断散点图是否为一条围绕其平均值上下波动的曲线，如果是的话，则该时间序列是一个平稳时间序列；如果不是的话，则该时间序列是一个非平稳时间序列。 6.1 时间序列的平稳性检验 二、平稳性的图示检验 2、利用样本自相关函数进行平稳性判断 不同的时间序列具有不同形式的自相关函数。于是可以从时间序列的自相关函数的形状分析中，来判断时间序列的稳定性，但是，自相关函数是纯理论性的，对它所刻划的随机过程，我们通常只有有限个观测值。因此，在实际应用中，就采用样本自相关函数来判断时间序列是否为平稳过程。 6.1 时间序列的平稳性检验 6.1 时间序列的平稳性检验 6.1 时间序列的平稳性检验 三、平稳性单位根检验 3、例：检验1978-2000年间中国支出法GDP时间序列的平稳性 如果一个时间序列经过一次差分变成平稳的，就称原序列是一阶单整（integrated of 1）序列，记为I(1)。 一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整（integrated of d）序列，记为I(d)。 例如上述人均GDP序列，即为I(2)序列。 I(0)代表一平稳时间序列。 6.2 随机时间序列模型的平稳性条件 一、随机时间序列模型的类型 二、随机时间序列模型的平稳性条件 随机时间序列建模过程 博克斯—詹金斯方法（The Box–Jenklins）是根据一个给定的时间序列数据集来建立时间序列模型的方法。对于一个给定的时间序列数据集，用一个适当的ARIMA模型来表示这个时间序列的形成机制。 ?通常包括三个步骤： （1）序列的平稳性检验。如果序列是非平稳的，可以通过 差分变换或其他变换成为平稳序列。 （2）模型的识别。根据自相关和偏自相关系数确定模型的 阶数p和q。 （3）模型参数的估计。 （4）诊断与检验。 一、随机时间序列模型的类型 1、自回归AR(P)模型 在p阶自回归过程中， 是由前p期的观察值的平均，再加当期得随机扰动项构成。我们把这类过程记为AR(p)，它的方程为： 2、移动平均模型MA(q) 如果Ut不是一个白噪声，通常认为它是一个q阶移动平均过程MA(q)： 3、自回归移动平均模型ARMA（p,q） 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均过程ARMA（p,q）： 二、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 随机时间序列模型的平稳性，可通过它所生成的随机时间序列的平稳性来判断。 如果一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的； 否则，就说该AR(p)模型是非平稳的。 考虑p阶自回归模型AR(p) 容易得到如下平稳性条件 2、MA(q)模型的平稳性 有限阶移动平均模型总是平稳的。 3、ARMA(p,q)模型的平稳性 ARMA(p,q)平稳性取决于AR(p)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，不是平稳的。 4、总结 一个平稳的时间序列总可以找到生成它的平稳的随机过程或模型。 一个非平稳的随机时间序列通常可以通过差分的方法将它变换为平稳的，对差分后平稳的时间序列也可找出对应的平稳随机过程或模型。 如果将一个非平稳时间序列通过d次差分，将它变为平稳的，然后用一个平稳的ARMA(p,q)模型作为它的生成模型，则该原始时间序列是一个自回归单整移动平均（autoregressive integrated moving average）时间序列，记为ARIMA(p,d,q)。 三、随机时间序列模型的识别 所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程