[数学]3平稳时间序列模型的建立.ppt

例4-3准则函数图 从图中可以看出合适的阶数为m=1 p值 6 4.00 0.5500 12 10.27 0.5062 例4-3的残差自相关检验图 对例4-3拟合ARMA(2n,2n-1)模型的相关输出结果 参数 ARMA模型阶数 ARMA(4,3) ARMA(2,1) ARMA(1,1) MA(1) 0.87（0.78） 0.86（0.99） 0.82(1.23) -0.42（-1.79） -0.17（-1.00） -0.25（-1.29） 0.46（2.02） 0.72（6.01） 0.82(10.46) 剩余平方和 38353.7 41507.1 42079.0 42573.7 残差方差 710.3 715.6 713.2 709.6 Thank you very much! 例4-1残差自相关图 （MA(1)） 滞后两期的残差自相关函数大于 残差自相关检验也表明MA(1)模型不是适合的。 对例4-1拟合MA(3)模型，模型适应性检验的Ljung-Box-Pierce统计量为 相伴概率（p值） 6 5.62 0.13 12 10.63 0.30 例4-1残差自相关图 （MA(3)） 例2.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 残差白噪声序列检验结果 延迟阶数 LB统计量 P值 检验结论 6 5.83 0.3229 拟合模型显著有效 12 10.28 0.5050 18 11.38 0.8361 参数显著性检验 目的 检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件 检验统计量 例2.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列极大似然估计模型的参数是否显著 参数检验结果 检验参数 t统计量 P值 结论 均值 46.12 0.0001 显著 6.72 0.0001 显著 例3.8续:对OVERSHORTS序列的拟合模型进行检验 残差白噪声检验 参数显著性检验 检验参数 t统计量 P值 结论 均值 －3.75 0.0004 显著 10.60 0.0001 显著 延迟阶数 LB统计量 P值 结论 6 3.15 0.6772 模型显著有效 12 9.05 0.6171 例3.9续:对1880-1985全球气表平均温度改变值差分序列拟合模型进行检验 残差白噪声检验 参数显著性检验 检验参数 t统计量 P值 结论 16.34 0.0001 显著 3.5 0.0007 显著 延迟阶数 LB统计量 P值 结论 6 5.28 0.2595 模型显著有效 12 10.30 0.4247 二、模型的平稳性和可逆性分析 （一）平稳性分析 若是AR(P)模型或ARMA(p,q)模型，其平稳性条件是自回归部分所对应的差分方程的特征方程的特征根必须都小于。 若特征根有大于或等于1的，说明模型是非平稳的。 特别是当特征根等于1或非常接近于1时，说明序列为单位根过程，此时需要对原序列进行适当的差分变换(有几个单位根，作几次差分)使其平稳，然后再对变换后的序列建模。 返回本节首页 下一页 上一页 (2)可逆性分析 对于MA(q)和ARMA(p,q)模型，模型的可逆性条件是移动平均部分所对应的差分方程的特征都小于1。 若有特征根大于1或等于1的，说明模型是非可逆的，此时要对序列作适当的变换，再建模。 特别是当特征根有等于1或很接近1，说明此模型有过度差分之误。因此，应适当减少差分阶数再建模，以使模型满足可逆性条件。 Eviews 估计结果直接输出自回归部分所对应的差分方程的特征根:inverted AR root. 移动平均部分所对应的差分方程的特征方程的特征根：inverted MA root. 模型优化 问题提出 当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。 优化的