第3章平稳线性ARMA模型5模型检验.ppt

序列自相关图 * 序列偏自相关图 * 拟合模型一 根据自相关系数2阶截尾，拟合MA(2)模型 参数估计 模型检验 模型显著有效 三参数均显著 * 拟合模型二 根据偏自相关系数1阶截尾，拟合MA(1)模型 参数估计 模型检验 模型显著有效 两参数均显著 * 问题 同一个序列可以构造两个拟合模型，两个模型都显著有效，那么到底该选择哪个模型用于统计推断呢？ 解决办法 确定适当的比较准则，构造适当的统计量，确定相对最优 * AIC准则 最小信息量准则（An Information Criterion） 指导思想 似然函数值越大越好 未知参数的个数越少越好 AIC统计量 * SBC准则 AIC准则的缺陷 在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多 SBC统计量 * 例3.13续 用AIC准则和SBC准则评判例3.13中两个拟合模型的相对优劣 结果 AR(1)优于MA(2) 模型 AIC SBC MA(2) 536.4556 543.2011 AR(1) 535.7896 540.2866 * * * * * 模型检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 * * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的诊断检验 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 * ARMA(p, q)模型的优化 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效 * 假设条件 原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列 * 检验统计量 LB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 * 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。 优化的目的 选择相对最优模型 * 例3.13:拟合某一化学序列 * * * * *