可逆ma1模型的bayes统计推断-bayes statistical inference of reversible ma1 model.docx

学位论文原创性声明声明：本人所呈交的学位论文，是本人在导师的指导下，独立进 行研究工作所取得的成果。尽我所知，除文中已经注明引用的内容外， 本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本 文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。论文作者签名：日期： 年 月 日学位论文版权使用授权书本人完全了解云南财经大学有关保留、使用学位论文的规定，即： 学校有权保留并向国家有关部门或机构送交论文和论文电子版，允许 学位论文被查阅或借阅；学校可以公布学位论文的全部或部分内容， 可以采用影印、缩印或其它复制手段保存、汇编、发表学位论文；授 权学校将学位论文的全文或部分内容编入、提供有关数据库进行检 索。（保密的学位论文在解密后遵循此规定） 论文作者签名：导师签名：日期：年月日日期：年月日摘要本文旨在从 Bayes 角度探讨带正态白噪声的一阶可逆滑动平均模型中未知 参数的统计推断问题。首先,本文依据最佳线性预测误差序列建立了精确的似然 函数,据之用 Jeffrey 无信息先验准则确立了参数的无信息先验分布，同时根据得 到的 Fisher 信息矩阵由 Cramer-Rao 信息不等式计算出各个参数的无偏估计的方 差下界。然后,根据 Bayes 定理,本文建立了参数的后验分布,据之构造了参数的 Bayes 估计以及 Bayes 等尾和最短置信区间,并建立了参数的 Bayes 假设检验准 则。以一阶可逆滑动平均模型中最重要参数——滑动平均系数为例, 本文通过 数据模拟研究了已知一阶滑动平均序列均值时,此系数的 Bayes 估计和置信区间 的频率性状。结果说明了,随着样本容量增大，滑动平均系数的 Bayes 估计越精 确，Bayes 置信区间的长度越短。作为应用,本文分析了美国科罗拉多州某加油站连续 57 天的 Overshort 序列。 分析结果清楚地表明,本文所获结果是切实可用的。关键词可逆 MA(1) 模型；Fisher 信息阵；Jeffrey 无信息先验准则；后验分布；Bayes 估计和置信区间；Bayes 因子。AbstractThe purpose of the present paper is to study, from viewpoint of Bayesian analysis, the statistical inference problem of unknown parameters in the first-ordered invertible moving average model with normal white noise. First, the exact likelihood function of parameters is established based on the best linear prediction series, by which the non-information prior distribution of parameters is obtained in terms of Jeffrey’s non-information prior rule. The Fisher’s information matrix obtained during the computation above is used by Cramer-Rao’s information inequality to derive the lower bound for variance of unbiased estimates of parameters in the model. Second, the posterior distributions of parameters are established by Bayesian theorem and applied to construct the Bayesian estimates and confidence intervals for parameters in the model. In addition, the posterior distributions obtained in this paper are also used to build, by Bayesian factor, Bayesian hypothesis test criterion for the parameters.To take the moving average coefficient which is the most important parameter in the