经济数学微积分高阶导数PPT.ppt

;一、高阶导数的定义;记作;二、 高阶导数的求法法则;例2;例5;2. 高阶导数的运算法则:;例6;3.间接法:;例7;例8;三、小结 思考题;思考题;思考题解答;练 习 题;练习题答案;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或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。 所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function， PACF ）。; 1、AR(p)过程 ;因此，AR(1)模型的自相关函数为： ; Xt=?1Xt-1+ ?2Xt-2 + ?t 该模型的方差?0以及滞后1期与2期的自协方差?1, ?2分别为：;于是,AR(2)的k 阶自相关函数为： ;一般地，p阶自回归模型AR(p)： Xt=?1Xt-1+ ?2Xt-2 +… ?pXt-p + ?t; ???见，无论k有多大， ?k的计算均与其１到p阶滞后的自相关函数有关，因此呈拖尾状。 如果AR(p)是稳定的，则|?k|递减且趋于零。 ; 其中：1/zi是AR(p)特征方程?(z)=0的特征根，由AR(p)平稳的条件知，|zi|1; 因此， 当1/zi均为实数根时，?k呈几何型衰减（单调或振荡）； 当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项， ?k呈正弦波衰减。; （2）偏自相关函数 ;即自相关函数中包含了这种所有的“间接”相关。 与之相反，Xt与Xt-k间的偏自相关函数(partial autocorrelation，简记为PACF)则是消除了中间变量Xt-1，…，Xt-k+1 带来的间接相关后的直接相关性，它是在已知序列值Xt-1，…，Xt-k+1的条件下，Xt与Xt-k间关系的度量。; 从Xt中去掉Xt-1的影响，则只剩下随机扰动项?t，显然它与Xt-2无关，因此我们说Xt与Xt-2的偏自相关系数为零，记为：; 同样地，在AR(p)过程中，对所有的kp，Xt与Xt-k间的偏自相关系数为零。 AR(p)的一个主要特征是:kp时，?k*=Corr(Xt,Xt-k)=0 即?k*在p以后是截尾的。; 在实际识别时，由于样本偏自相关函数rk*是总体偏自相关函数?k*的一个估计，由于样本的随机性，当kp时，rk*不会全为0，而是在0的上下波动。但可以证明，当kp时，rk*服从如下渐近正态分布: rk*~N(0,1/n) 式中n表示样本容量。;我们就有95.5%的把握判断原时间序列在p之后截尾。; 对MA(1)过程：;可见，当k1时，?k0，即Xt与Xt-k不相关，MA(1)自相关函数是截尾的。 ; 注意: (*)式只有当|?|1时才有意义，否则意味着距Xt越远的X值，对Xt的影响越大，显然不符合常理。 因此，我们把|?|1称为MA(1)的可逆性条件（invertibility condition）或可逆域。 ;其自协方差系数为： ; 可见，当kq时， Xt与Xt-k不相关，即存在截尾现象，因此，当kq时， ?k=0是MA(q)的一个特征。 于是：可以根据自相关系数是否从某一点开始一直为0来判断MA(q)模型的阶。; MA(q)模型的识别规则：若随机序列的自相关函数截尾，即自q以后，?k=0（ kq）；而它的偏自相关函数是拖尾的，则此序列是滑动平均MA(q)序列。;rk~N(0,1/n) 式中n表示样本容量。 因此，如果计算的rk满足：; ARMA(p,q)的自相关函数，可以看作MA(q)的自相关函数和AR(p)的自相关函数的混合物。 当p=0时，它具有截尾性质； 当q=0时，它具有拖尾性质； 当p、q都不为0时，它具有拖尾性质;从识别上看，通常： ARMA(p，q)过程的偏自相关函数（PACF）可能在p阶滞后前有几项明显的尖柱（spikes），但从p阶滞后项开始逐渐趋向于零； 而它的自相关函数（ACF）则是在q阶滞后前有几项明显的尖柱，从q阶滞后项开始逐渐趋向于零。