第八章__平稳时间序列建模(ARMA模型).pptVIP

* * 第八章 ARMA模型 本节将不再仅仅以一个回归方程的扰动项序列为研究对象，而是直接讨论一个平稳时间序列的建模问题。在现实中很多问题，如利率波动、收益率变化及汇率变化等通常是一个平稳序列，或者通过差分等变换可以化成一个平稳序列。 本节中介绍的ARMA模型(autoregressive moving average models)可以用来研究这些经济变量的变化规律，这样的一种建模方式属于时间序列分析的研究范畴。 经济时间序列不同于横截面数据存在重复抽样的情况，它是一个随机事件的惟一记录，如中国1980年～2004年的进出口总额是惟一的实际发生的历史记录。从经济的角度看，这个过程是不可重复的。横截面数据中的随机变量可以非常方便地通过其均值、方差或生成数据的概率分布加以描述，但是在时间序列中这种描述很不清楚。因此，经济时间序列需要对均值和方差给出明晰的定义。 § 8.1 平稳时间序列的概念 如果随机过程 的均值和方差、自协方差都不取决于 t，则称{ut}是协方差平稳的或弱平稳的： 注意，如果一个随机过程是弱平稳的，则 ut 与 ut-s 之间的协方差仅取决于s ，即仅与观测值之间的间隔长度s有关，而与时期t 无关。一般所说的“平稳性”含义就是上述的弱平稳定义。 对所有的 t 对所有的 t 对所有的 t 和 s (5.2.1) (5.2.2) (5.2.3) §8.2 ARMA模型 1. 自回归模型AR(p) p 阶自回归模型记作AR(p)，满足下面的方程： (5.2.4) 其中：参数 c 为常数；?1 , ?2 ,…, ?p 是自回归模型系数；p为自回归模型阶数；?t 是均值为0，方差为? 2 的白噪声序列。 2. 移动平均模型MA(q) q 阶移动平均模型记作MA(q) ，满足下面的方程： (5.2.5) 其中：参数 ? 为常数；参数?1 , ?2 ,…, ?q 是 q 阶移动平均模型的系数；?t 是均值为0，方差为? 2的白噪声序列。 3. ARMA(p,q)模型 (5.2.6) 显然此模型是模型(5.2.4)与(5.2.5)的组合形式，称为混合模型，常记作ARMA(p,q)。 当 p=0 时，ARMA(0, q) = MA(q) 当q = 0时，ARMA(p, 0) = AR(p) § 8.3 ARMA模型的平稳性 1. AR(p)模型的平稳性条件 为了理解AR(p)、MA(q)和ARMA(p,q)模型的理论结构，简单的算子理论是必不可少的。对于AR(p)模型 (5.2.7) 设L为滞后算子，则有Lut ? ut-1, Lput ? ut-p，特别地， L0ut?ut。则式（5.2.7）可以改写为： (5.2.8) 若设?(L) ? 1 - ?1 L - ?2 L2 - …- ?p Lp ，令 (5.2.9) 则 ?(z) 是一个关于z的p次多项式，AR(p) 模型平稳的充要条件是?(z) 的根全部落在单位圆之外。式(5.2.7)可以改写为滞后算子多项式的形式 可以证明如果AR(p)模型满足平稳性条件，则式(5.2.10)可以表示为MA(?)的形式，从而可以推导