时序2版—第6章.ppt

第六章 非平稳时间序列分析 1.ARIMA(0,1,1)模型: 比如序列Xt的1阶差分适合于MA(1)模型，则序列Xt适合于ARIMA(0,1,1)模型： 其形式等价于 这与ARMA(1,1)模型有点类似 ARMA(1,1)模型的形式为： 当 时，与ARIMA(0,1,1)模型一致，然而，这二者是不同的，主要区别在于ARMA(1,1)模型中的序列是平稳的，即 。 而 ARIMA(0,1,1)模型中的序列是非平稳的，一阶差分之后才平稳。 2.ARIMA(0,2,2)模型: 比如序列Xt的2阶差分适合于MA(2)模型，则序列Xt适合于ARIMA(0,2,2)模型： 3. ARIMA(1,1,1)模型: 比如序列Xt的1阶差分适合于ARMA(1,1)模型，则序列Xt适合于ARIMA(1,1,1)模型： 例6.11 对1946-1970年美国各季度的生产者耐用品支出建模。（P176） 　　由图可知，该序列具有指数上升的趋势，先分离出来序列的指数趋势 ，剩余序列为Yt，即 其中， 为参数，t为时间变量。 分离趋势序列的方法即用趋势函数去拟合原序列，即以Xt为被解释变量， 时间变量t为解释变量，进行非线性回归拟合估计，用Eviews菜单中的Quick—Estimate Equation功能进行计算，先用趋势函数生成时间变量t，其命令为： GENR t=@Trend(1945.4) 然后在对话框中输入： 其中，C(1)，C(2)分别表示参数 ,残差值正是剩余序列Yt，即 GENR Y=RESID 下一步对Y进行平稳性检验， 检验结果为平稳的，计算ACF与PACF图，可知，PACF是一步截尾的，应为AR(1)模型，而残差方差图定阶为AR(2)模型，选择后者进行估计，得： 从而得原序列的模型为： 或者是将模型组合之后再估计， 这时估计所用的式子为： 共有四个参数，C(1)、C(2)、 C(3)、C(4)分别表示参数 估计结果为： 与上面分两步估计时参数的值差异不大，这时估计式的可决系数达0.99，而只有指数回归时的可决系数为0.96 。 于是得该序列的组合模型回归式为： 这样建立模型要比直接用ARMA模型进行拟合效果好，由可决系数及残差的变化图可知。 以1970年第四季度为原点，作1~8步预测即得1971年第一季度至1972年第四季度耐用品支出的预测值，样本及预测值的图形如下： 其中，1970年第四季度之前的数据为样本，之后的数据是预测值，由于所用为指数模型，故预测值仍以指数形态增长，当未来时期不再以指数形态变化时，该模型的预测即失效。 若直接进行ARMA模型预测，序列Xt是一阶单整，即一阶差分之后平稳，但是一阶差分的ACF与PACF图不具有截尾性，这时定阶较困难。 一阶差分的ACF与PACF图 本节内容结束，谢谢观看！ 若结束学习，请退出幻灯片放映，若继续学习下一节内容，请点击下面的下一节按钮。 下一章 对于非平稳的时间序列，前面介绍了平稳性的单位根检验（DF或ADF检验），同时可以确定其单整阶数，进行适当的差分即可将其平稳化；对于具有季节波动的序列，可进行季节差分将其平稳化，然后建立ARMA模型，这时的时间序列模型即称为单整自回归移动平均模型，记为ARIMA。 一、ARIMA模型 设时间序列Xt为d阶单整，则d阶差分可将其平稳化，用 表示序列Xt的d阶差分，若 适合于ARMA(n,m)模型，则原序列Xt适合的模型为ARIMA(n,d,m)模型，中间的参数是单整阶数，同时也是差分阶数，两边的阶数是自回归和移动平均阶数。 ARIMA(n,d,m)模型的算子表达式为： 或 其中， 二、组合模型 对于既有趋势性又有波动的时间序列，另外一种建模的思路是先分解出趋势序列，对于剩余序列再进行ARMA模型拟合，而不是先差分，这样做可能比直接进行ARMA模型拟合效果要好（当然前提是序列具有非常明显的趋势性）。