测量实用数据处理时间序列分析.pptVIP

* 二、滑动平均模型的预报 * * 三、混合模型预报 * * 二、自相关函数 自相关函数定义为： 三、自相关函数和偏自相关函数的性质 模型 函数 AR(p) MA(q) ARMA(p,q) (p?0,q?0) 拖 尾 截尾k=q处 拖 尾 截尾k=p处 拖 尾 拖 尾 * * 例： k 1 2 3 4 5 6 7 8 9 10 ?k 0.88 0.76 0.67 0.57 0.48 0.4 0.34 0.28 0.21 0.17 ?kk 0.88 0.01 -0.01 0.11 0.02 -0.01 0.01 -0.02 -0.06 0.05 * 计算结果表明，自相关函数逐渐衰减，但不等于零；偏自相关函数在k=1后，与零接近，是截尾的。 结论：自相关函数呈指数衰减，是拖尾的；偏自相关函数在一步后为零，是截尾的。 * 例：用zt=(1-0.5B)at模拟产生250个观察值，at为白噪声序列，得到序列自相关和偏自相关函数如下： 可见，ACF在一步后截尾，PACF是拖尾的。 结论：MA(q)的ACF是截尾的，PACF是拖尾的。 k 1 2 3 4 5 6 7 8 9 10 ACF -0.44 0 0.02 -0.03 -0.01 -0.05 0.04 -0.03 -0.03 0.02 PACF -0.44 -0.24 -0.11 -0.08 -0.07 -0.12 -0.06 -0.07 -0.1 -0.08 * 这两节介绍了三类模型的形式、特性及自相关和偏自相关函数的特征，现绘表如下： AR(p) MA(q) ARMA(p,q) 模型方程 ?(B)xt=at xt=?(B)at ?(B）xt= ?(B) at 平稳性条件 ?(B)=0的根在单位圆外 无 ?(B)=0的根在单位圆外 可逆性条件 无 ?(B)=0的根在单位圆外 ?(B)=0的根在单位圆外 自相关函数 拖尾 Q步截尾 拖尾 偏自相关函数 P步截尾 拖尾 拖尾 * 第四节 模型的识别 一、模型识别定义 由平稳序列的一个样本函数确定它的线性模型的类别、阶数，称为模型识别。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 ）。 二、样本自相关函数和样本偏相关函数 1．样本自相关函数 * * 2．样本偏相关函数样本偏相关函数可用下式定义 * 三、确定模型的类别和阶数 * * AR(p)、MA(q)、ARMA(p,q)模型的估计方法较多，大体上分为3类： （1）最小二乘估计； （2）矩估计； （3）利用自相关函数的直接估计。 下面有选择地加以介绍。 结构 阶数 模型 识别 确定 估计 参数 第五节 模型参数估计 * ⒈ AR(p)模型的Yule Walker方程估计 在AR(p)模型的识别中，曾得到 利用?k=?-k，得到如下方程组： 此方程组被称为Yule Walker方程组。该方程组建立了AR(p)模型的模型参数?1,?2,?,?p与自相关函数?1,?2,?,?p的关系， (195） * 利用实际时间序列提供的信息，首先求得自相关函数的估计值 然后利用Yule Walker方程组，求解模型参数的估计值 由于 于是 从而可得??2的估计值 在具体计算时， 可用样本自相关函数rk替代。 (196) * ⒉ MA(q)模型的矩估计 将MA(q)模型的自协方差函数中的各个量用估计量代替，得到： 首先求得自协方差函数的估计值，(197)是一个包含(q+1)个待估参数 (197) 的非线性方程组，可以用直接法或迭代法求解。 常用的迭代方法有线性迭代法和Newton-Raphsan迭代法。 * （1）MA(1)模型的直接算法 对于MA(1)模型，（197）式相应地写成 于是 或 有 于是有解 由于参数估计有两组解，可根据可逆性条件|?1|1来判断选取一组。 (198) (199) (200) * （2）MA(q)模型的迭代算法 对于q1的MA(q)模型，一般用迭代算法估计参数： 由（197）式得 第一步，给出 的一组初值，比如 代入（201）式，计算出第一次迭代值 （201） * 第二步，将第一次迭代值代入（201）式，计算出第二次迭代值 按此反复迭代下