浅议平稳时间序列的定阶及参数估计问题正式稿.docVIP

浅议平稳时间序列的定阶及参数估计问题 内容摘要：平稳时间序列的定阶，是一个比较复杂的问题。本文利用时间序列的相关理论和研究成果，结合功能强大的统计软件Eviews来确定时间序列的阶数并估计其参数，效果显著，实用性强。 关 键 词：平稳时间序列；ARMA(p,q)模型；阶数；参数估计 0 引言 平稳时间序列的定阶和参数估计问题是时间序列分析中比较棘手的问题，这主要是因为平稳时间序列取值的不确定性，不同阶数下参数的易变性和非线性方程组的存在，使得定阶和参数估计成为困扰时间序列分析的难点问题。 关于平稳时间序列的线性模型，主要有移动平均模型（Moving Average Model），简记为MA（q）,自回归模型（Autoregressive Model），简记为AR(p)，自回归移动平均模型，也称为混合模型简记为ARMA(p,q)。对模型类型的判定主要视其阶数的数值来确定。 实践表明，模型阶数决定了模型的类型和参数估计的复杂程度，也就是说，在模型阶数和参数估计的问题中，确定模型阶数是问题的关键所在。 由于自回归模型AR(p)和移动平均模型MA（q）都是自回归移动平均模型ARMA(p,q)当q=0和p=0时的特殊情况，所以为了讨论问题方便又不失一般性，本文主要针对自回归移动平均模型ARMA(p,q)的定阶和参数估计问题展开讨论。 1 ARMA(p,q)模型 ARMA(p,q)模型的一般形式： （1） 其中。上述线性差分方程形式的平稳时间序列称为具有自回归移动平均模型或混合模型，简记为，与叫做混合模型的阶数，，称为混合模型参数。 2 参数估计 在模型的阶数 确定后，就可以根据如下步骤计算模型的参数[1]。 1）根据时间序列的样本观测值计算其样本均值 。 2）对零均值化，。 3）根据已知样本数据及容量确定。一般取，的取值视数列观测值的变动幅度大小（离差大小）而确定，一般取，其目的是对数列进行“修匀”。 4）计算自协方差函数和自相关函数的估计值。 （2） 样本自相关函数定义为 （3） 5）利用Yule-Walker方程计算相关系数 （4） 可以看出计算仅用到共个值,需要注意 在利用（4）式算出参数的基础上，可得到的样本值计算式为 （5） 根据（5）式并利用样本值可得样本值，进而可计算得的样本自协方差函数 （6） 将计算出的代入下面方程组 (7) 解非线性方程组（7）可得。这里要说明的是(6)式中和可出现负值,根据协方差的性质应对其加绝对值。 如果时间序列具有趋势或季节变动，还必须根据实际情况消除趋势和季节变动，常采用的方法是对原数列进行一阶、二阶差分（单整）消除趋势影响，通过计算季节指数消除季节的影响，然后再利用上述方法研究模型的参数估计问题。 3 模型定阶 从模型的参数计算中可以看出，模型阶数和对确定模型的类型和参数计算的影响非常大，尽管现代计算工具非常发达，但当、很大时也会给计算带来沉重的负担，同时由于在计算时迭代次数过多增大了模型的误差，因此预先对模型阶数的确定非常必要。 关于模型阶数的确定，中外学者提出了许多不同的算法。Box-Jenkins是根据样本自相关函数、偏自相关函数的截尾、拖尾判断时间序列所适合的模型类型和阶数[2]； Kolmogorov指出，任何ARMA或MA过程可以用一个无限阶的AR过程表示[3]，，把定阶问题单一化；Word分解定理告诉我们如果功率谱是连续的，则任何ARMA或AR过程可以用一个无限阶的MA过程表示；日本学者H.Akaike提出了FPE（Final Prediction Error)准则和AIC(A-Information Criterion)准则及改进的BIC准则；Tiao and Tsay提出了样本延伸自相关函数定阶法[2]；我国学者张显达提出了一种基于相关矩阵分析对于ARMA模型AR的阶数及MA的阶数的估计方法[4]；Pandit-Wu在上世纪的1977年提出了一种新的确定模型阶数的方法，其思想是逐渐增加模型的阶数，拟合较高阶ARMA(p,q)模型，直到再增加模型的阶数而剩余平方和不显著减小为止。 上述各种确定模型类型和阶数的方法各有利弊，Box-Jenkins是根据样本自相关函数、偏自相关函数的截尾、拖尾判断时间序列所适合的模型类型和阶数，方法虽然简单直观，但误差较大，有时拖尾和截尾无法判定；Kolmogo