第六讲 ARMA模型应用.docVIP

六 ARMA模型应用 【实验目的与要求】 准确掌握ARIMA (p, d, q) 模型的各种形式和基本原理。 熟练掌握识别ARIMA (p, d, q) 模型中的阶数p, d, q的方法。 学会ARIMA (p, d, q) 模型的建立及检验方法。 熟练掌握运用ARIMA (p, d, q) 模型对样本序列进行拟合和预测。 在老师的指导下独立完成实验，得到正确的结果，并完成实验报告。 【实验准备知识】 线性随机时间序列模型 线性随机时间序列模型（ARMA模型），是一类常用的随机时间序列模型，由博克斯（Box）、詹金斯（Jenkins）创立，亦称B-J方法。ARMA模型有三种基本类型：自回归（AR：Auto-regressive）模型、移动平均（MA：Moving Average）模型和自回归移动平均（ARMA：Auto-regressive Moving Average）模型。此外，这种线性模型既适用于平稳过程，也适用于可平稳化的非平稳过程（可通过差分一次或更多次转化为平稳过程），即单整自回归移动平均 （6.1） 其中（i = 1, … p ）是自回归参数，是常数，是白噪声过程。可见，AR(p)模型中是由它p个滞后期的加权平均，再加当期的随机扰动项构成。 引入滞后算子L，来表示时间的滞后，比如，，。AR(p)模型可以表达为： （6.2） 进一步有 （6.3） 令，则模型可写成 （6.4） 我们将称为AR(p)模型的特征方程。可以证明，AR(p)模型平稳的充要条件是特征方程的根都在单位园之外。 （2）移动平均模型（MA (q)模型） q阶移动平均模型，记为MA(q)，它的方程为 （6.5） 其中为常数，（i = 1, … q）是移动平均参数，是白噪声。可见，MA(q)模型中是当期随机干扰项及其直到q期的滞后随机干扰项的加权平均。引入滞后算子L，MA(q)模型可以表达为： （6.6） 令，则模型可写成 （6.7） 由于是白噪声，可知MA (q)模型一定是平稳的。而与移动平均模型相联系的一个重要概念是可逆性。我们将称为MA (q)模型的特征方程。如果特征方程的根都在单位园之外，则称可逆。运用的逆运算，式（6.7）可以改写为一个无限阶自回归（AR()）的形式 （6.8） 其中，。 类似的，（6.4）式满足平稳性条件时，可改写为一个无限阶移动平均（MA ()）的形式 （6.9） 其中，。 （3）混合自回归移动平均模型（ARMA (p,q)模型） (p,q)阶混合自回归移动平均模型，记为ARMA(p,q)，它的方程为 （6.9） 其中（i = 1, … p ）是自回归参数，（i = 1, … q）是移动平均参数，是常数，是白噪声过程。可见，ARMA (p,q)模型是由自回归和移动平均两部分共同构成的随机过程，其中p, q分别表示自回归和移动平均部分的最大阶数。引入滞后算子L，ARMA(p,q)模型可以表达为： （6.10） ARMA (p,q)模型平稳性条件是方程的根都在单位园之外，可逆性条件是方程的根都在单位园之外。 （4）单整自回归移动平均ARIMA (p, d, q) 模型） 首先，引入差分算子(。比如，一阶差分；高阶差分；二次差分 。高阶差分常用于季节性数据的差分，如季度数据的4阶差分、月度数据的12阶差分等。 我们前面介绍的单整序列可以通过一次或多次差分后成为平稳序列。设序列为d阶单整序列，即~ I (d)，则 （6.11） 是平稳序列，于是我们可以对建立ARMA (p,q)模型。如果且是一个ARMA(p,q)过程，则我们称是(p,d,q) 单整自回归移动平均（6.12） 用差分算子和滞后算子表示，则（6.12）式可写成 （6.10） 其中是一个平稳的自回归算子，即的根都大于1。表示可逆的移动平均算子，的根都大于1。称为广义自回归算子。 可见，ARIMA (p, d, q) 模型是线性随机时间序列模型的普遍形式，AR(p)模型、MA (q)模型和ARMA (p,q)模型是它的特殊情况。 线性随机时间序列模型的识别 线性随机时间序列模型的识别，首先是用单位根检验的方法，识别ARIMA (p, d, q) 模型中的单整阶数d，方法已经在前面做过介绍。然后识别自回归阶数p，移动平均阶数q，方法是使用前面介绍的自相关函数和偏自相关函数，下面做以简要介绍。 （1）MA (q)模型的自相关函数和偏自相关函数 MA (q)模型 （6.11） 其中均值为0，方差为的白噪声，而自协方差为 （6.12） 进而得到自相关函数 （6.1