时序2版—第2章.ppt

第二章 平稳时间序列模型 第二章 第一节 一、一阶自回归模型 　 假设Xt（t=1，2，…）为平稳且零均值的时间序列，当Xt与其滞后一期Xt-1高度线性相关，但与其滞后二期Xt-2、滞后三期Xt-3、…相关较弱，即时间序列具有一期记忆时，我们可以用以下数学模型： 来表示，称之为一阶自回归模型， 记作AR(1)。其中，　为随机扰动项，或称为干扰项。理论上要求　　 是正态白噪声序列。 　　白噪声序列是一种特殊的平稳时间序列，当平稳时间序列的协方差为零时，称之为白噪声（White noise）序列。（期望与方差是常数，协方差是零） 二、AR(1)模型的特例－随机游动 　　1．当AR(1)模型的　　　　时，即 　　我们称Xt为随机游动(Random walk) ，或称随机游走。 　　2．随机游动是非平稳的，但其一阶差分是平稳的。 由上可知，ΔX t = 　，即随机游动的一阶差分为白噪声序列。此外，也可以推得： 　　即随机游动由白噪声序列进行求和累加而得，反之，任意一个白噪声时间序列的累加结果均为随机游动序列。 此外，如果一个时间序列的一阶差分为白噪声序列，则该序列是随机游动序列。 随机游动时间序列示意图 第二章 第二节 　 §2.2 一般自回归模型 一、二阶自回归模型 　　假设Xt（t=1，2，…）为平稳且零均值的时间序列，当Xt不仅与其滞后一期Xt-1高度线性相关，且与其滞后二期Xt-2 也相关较强，但与滞后三期Xt-3及其他滞后期均相关较弱，即时间序列具有两期记忆时，我们可以用以下数学模型： 　来表示，称之为二阶自回归模型，记作AR(2)。其中，　仍为随机扰动项，或称为干扰项。理论上要求　　是正态白噪声序列。 二、n阶自回归模型 　　一般地，假设Xt（t=1，2，…）为平稳且零均值的时间序列，Xt与其滞后 一期Xt-1、滞后二期Xt-2、…，滞后n期Xt-n相关较强，但与其滞后n+1期Xt-n-1及以后滞后期相关较弱，即时间序列具有n期记忆时，我们可以用以下数学模型： 　　 来表示，称之为n阶自回归模型，记作AR(n)。其中，　要求同上。 　 称　　　　　　　为自回归参数。自回归模型（Autoregressive Model）所描述的是时间序列的变化与其上一期、上两期，…，上n期之间的线性关联。这种影响随着滞后期的延伸在递减。一般来讲，回归参数　　　　　　　的绝对值是递减的。 第二章 第三节 §2.3 移动平均模型 　　当时间序列Xt不是与其滞后期之间存在较强的线性关联，而是与影响时间序列变化的干扰项　　的滞后期之间有线性关联时，模型称之为移动平均模型（Moving Average Model ），简称为MA模型。 一、一阶移动平均模型 　　假设Xt（t=1，2，…）为平稳且零均值的时间序列，当Xt与其滞后期之间的相关性较弱，但与干扰的滞后一期　　　之间存在较强的相关时，我们可以用以下数学模型： 来表示，称之为一阶移动平均模型，记作MA(1)。其中，　仍为随机扰动项，或称为干扰项。理论上要求　　是正态白噪声序列。 二、二阶移动平均模型 　　假设Xt（t=1，2，…）为平稳且零均值的时间序列，当Xt与其滞后期之间的相关性较弱，但与干扰的滞后一期　 滞后二期　　之间存在较强的相关时，我们可以用以下数学模型： 来表示，称之为二阶移动平均模型，记作MA(2)。其中，　仍为随机扰动项，或称为干扰项。理论上要求　　是正态白噪声序列。 三、m阶移动平均模型 　　假设Xt（t=1，2，…）为平稳且零均值的时间序列，当Xt与其滞后期之间的相关性较弱，但与干扰的滞后一期　 、滞后两期　　、…、滞后m期　　 ，之间存在较强的相关时，我们可以用以下数学模型： 来表示，称之为m阶移动平均模型，记作MA(m)。其中，　仍为随机扰动项，或称为干扰项。理论上要求　　是正态白噪声序列。 　　在移动平均模型中的参数前为“负号”，这只不过是个形式问题，改用“正号”完全可以。只是用“负号”时，在后面的模型式中参数“符号”是一致的。 第二章 第四节 §2.4 　自回归移动平均模型 　　当时间序列Xt不仅与其滞后期之间存在较强的线性关联，而且与影响时间序列变化的干扰项　　的滞后期之间也有线性关联时，模型称之为自回归移动平均模型（Autoregressive Moving Average Model ），简称为ARMA模型。 一、ARMA(2,1)模型 　　假设Xt（t=1,2,…）为平稳且零均值的时间序列，Xt与其滞后一期Xt-1 、滞后二期Xt-2之间有较强的相关性，且与干扰的滞后一期　　 之间存在较强的相关时，我们可以用以下数学模型： 来表示，称之为2阶自回归