arma模型自相关函数.pptVIP

（一）估计自回归参数 因为当 时，ARMA(p,q)模型的自相关函数与AR(p)相同的性质，因此 * 利用样本自相关函数值，可计算出 的估计量： * （二）估计移动平均系数 模型改写成 令 ，并让 作为一个变量代入，则模型近似为 就是一个MA(q)模型，可以利用前面介绍的MA(q)模型矩方法估计其中的参数和 * 可以利用原时间序列的自协方差和前面得到的自回归系数估计，计算出 的自协方差，进而计算出自相关系数。 再代入MA(q)模型矩估计的样本自相关函数，就可以用前面介绍的方法得到 和 的参数估计。 * 第四节 ARMA模型检验和预测 一、ARMA模型检验 ARMA模型最主要的检验是残差序列随机性检验，也就是在用所选择的模型进行参数估计以后，确定残差序列是无序列相关的白噪声，还是存在序列相关性： 如果仍然存在明显的序列相关性，意味着选择的模型没有把原时间序列中的信息全部模拟出来，或者说存在一定的偏差，模型需要修正。 如果残差序列已经是白噪声，则所选择的模型比较合理。 * 检验残差是否白噪声的方法 （一）是根据残差序列的样本自相关函数SACF，样本偏自相关函数SPACF，看它们是否在统计上具有显著性。 （二）利用SACF，用专门的 统计量 ~ * 一般的参数显著性t检验，确定模型及其阶数的信息准则SIC和AIC，也都对ARMA模型的选择，对自回归、移动平均阶数的确定有参考价值。在应用时应该综合考虑这些因素。 BOX等建议采用“过拟合方法”进行检验。即先设定参数较多，阶数较高的模型，然后根据显著性和模型选择、判断准则逐步简化。这种方法有一定道理，但有时也有问题。 * 二、ARMA模型预测 （一）ARMA模型预测原理 预测的前提是已确定了模型，并且已经作了参数估计和进行了基本的检验。 检验评估模型的预测往往把观测数据分成两部分，一部分用于估计参数，另一部分则用于检验模型的预测效果，从而判断模型的有效性。 时间序列模型预测的一般准则是均方误（MSE）最小，而均方误最小的预测就是条件期望预测。 * （二）MA模型预测 MA模型预测的前提是移动平均参数、扰动方差，以及不可观测的扰动都得到了估计，后者通常是利用AR形式进行估计的。 方便起见，在预测分析中仍然用原来符号表示参数和扰动项的估计值，并只讨论无常数项模型的预测。 * 1、MA(1)模型预测 （1）一步预测 因此一步预测为 预测误差的方差为 * （三）ARMA模型的自相关函数 由ARMA(p,q)的自协方差公式可以看出， 只有 的q个自相关 的值同时依赖于 和 ； 当 时，具有与AR(p)模型相同的自相关函数差分公式 或者 * 若 ，自相关函数 是指数或正弦波衰减的，具体由多项式 和初始值决定。 若 ，就会有 个初始值 不遵从一般的衰减变化形式。 ARMA(p,q)的自相关函数是 步拖尾的。这一事实在识别ARMA模型时也非常有用。 * ARMA(1,1)过程 * 二、偏自相关函数（partial autocorrelation function，PACF） 时间序列过程的偏自相关函数就是时间序列在两个时间随机变量之间，排除了其间各个时间随机变量影响的相关系数。 * （一）AR(p)模型的偏自相关函数 AR(p)的模型 偏自相关函数定义为 计算方法 把 对 回归，得到回归方程 其中最后一项的回归系数就是要求的偏自相关系数 。 * 根据线性回归法计算偏自相关函数，运用最小二乘法进行参数估计，得到正规方程组 该方程组也可以认为是利用的协方差和自相关函数导出。尤勒——沃克方程如下 * 分别求解，得到偏自相关系数： * 由于AR(p)模型意味着 与 以后的滞后项不相关，因此大于p阶的偏自相关系数必然都等于0。 这意味着AR(p)模型的偏自相关函数有在 处截尾的特征。 这也是识别自回归模型及其自回归阶数的重要依据。 * （二）MA(q)和ARMA模型的偏自相关函数 MA(1)的偏自相关函数 该函数 ，且被衰减指数控制，因此具有拖尾性。 可逆的MA()过程等价于无限阶的AR过程，因此它们的偏自相关函数会无限延伸，被