时间序列模型（2）.pptVIP

自相关函数 偏自相关函数 自相关函数 偏自相关函数 2 模型参数的估计 AR(P)模型的估计采用OLS法. MA(q)和ARMA(q)模型的估计比较复杂. 我们这里通过EVIEWS直接进行估计. 3 诊断与检验 完成模型的识别与参数估计后，应对估计结果进 行诊断与检验，以求发现所选用的模型是否合适。 若不合适，应该知道下一步作何种修改。 这一阶段主要检验拟合的模型是否合理。一是 检验模型参数的估计值是否具有显著性；二是检验 模型的残差序列是否为白噪声。参数估计值的显著 性检验是通过t 检验完成的，而模型拟合的优劣以 及残差序列随机性的判别是用Q统计量完成的。 Q 检验的零假设是 H0：?1 = ?2 = … = ?K 即模型的误差项是一个白噪声过程。 Q 统计量定义为： Q = T (T+2) 近似服从 ?2( K - p - q) 分布，其中T 表示样本 容量，rk 表示用残差序列计算的自相关系数值， K 表示自相关系数的个数， p 表示模型自回归部分的最大滞后值， q 表示移动平均部分的最大滞后值。 用残差序列计算Q 统计量的值。 显然若残差序列不是白噪声，残差序列中必含有 其他成份，自相关系数不等于零， 则Q 值将很大，反之Q 值将很小。 判别规则是： 若Q ?2? ( K - p - q) ，则接受H0。 若Q ?2? ( K - p - q) ，则拒绝H0。 其中? 表示检验水平。 4 时间序列模型预测 设对时间序列样本{xt}, t = 1, 2, …, T， 所拟合的模型是 xt = ?1 xt-1 + ut + ?1 ut-1 则理论上T + 1期xt 的值应按下式计算 xT+1 = ?1 xT + uT+1 + ?1 uT 用估计的参数 代替上式中的 ?1, ?1和uT 。 上式中的uT+1是未知的，但知 E(uT+1) = 0， 所以取uT+1 = 0。xT 是已知的（样本值）。 对xT+1的预测按下式进行 = xT + 理论上xT+2的预测式是： xT+2 = ?1 xT+1 + uT+2 + ?1 uT+1 仍取uT+1 = 0，uT+2 = 0，则xT+2的实际预测式 是 = 其中 是上一步得到的预测值， 以此类推xT+3的预测式是 = 若上面所用的 x t 是一个差分变量，设 D y t = x t ，则得到的预测值 t x ? 相当于 D t y ? 。 因为 y t = y t - 1 + D y t 所以原序列 T +1 期预测值应按下式计算 1 ? + T y = y T + D 1 ? + T y = y T + 1 ? + T x 对于 t T + 1 ，预测式是 t y ? = 1 ? - t y + D t y ? , t = T + 2, T + 3, … 其中 1 ? - t y 是相应上一步的预测结果。 在预测过程中，如果预测式等号右侧的变量用实际值代入， 称此类预测为静态预测； 如果预测式等号右侧的变量用模型上一期的预测值代入， 称此类预测为动态预测。 随机过程 yt 经过d 次差分之后可变换为一个以 (L)为p 阶自回归算子，? (L)为q 阶移动平均 算子的平稳、可逆的随机过程，则称yt 为 （p, d, q）阶单整(单积)自回归移动平均过程， 记为ARIMA (p, d, q)。 这种取名的目的是与后面的称谓相一致。 ARIMA过程也称为综合自回归移动平均过程。 其中? (L) ?d 称为广义自回归算子。 当p ? 0, d = 0, q ? 0 时， ARIMA (p, d, q)变成ARMA (p, q)过程; 当d = 0, p = 0, q ? 0时， A