单过程平稳模型的估计 计量经济学EVIEWS建模课件教学讲义.pptxVIP

平稳时序的均值模型与测定;一、ARMA模型的识别内容; 二、对ARMA序列模型的参数估计;把ARMA的基本模型改写为: εt =A(L)Yt /W(L) 若用ai，wi和et分别代表αi, ωi和εt的估计值，则对随机过程 {Yt } 的参数估计就如对回归模型的参数估计一样，目的是使Yt与其拟合值Yft的残差平方和最小： ∑(Yt-Yft)2=∑et2 = S (a1, …,ap,w1, …,wq) 假定εt ? N(0, ?ε2), t = 1, … T，且不存在自相关，则条件对数似然函数为: log L = -T log?ε – (∑et2÷2σε2);之所以称之为条件对数似然函数，是因为∑et2依赖于过去的未知观测值Y0,Y-1,…,Y- p+1和ε0,ε-1, …,ε-q+1。比如：ε1 = y1- α1 y0- α2 y-1-…- αp y-p+1-ω1ε0-…-ωqε- q+1。对模型的似然函数求极大，即等同于对∑et2求极小。对∑et2求极小时，需要先确定Y0, Y–1, …,Y-p+1和ε0, ε-1, …, ε-q+1的值。此问题的一般处理方法是取这些变量等于他们的无条件期望值。ε0, ε-1, …, ε-q+1的无条件期望值为零。若模型中不含有漂移项，则Y0,Y-1, …,Y-p+1的无条件期望值也为零。当样本容量T与滞后长度p, q值相比充分大，且α1, …, αp的值不接近1时，这种近似非常理想。;在计量经济学中，我们学过很多有关模型的检验方法。在以时序数据为基础的建模中，对其显著性估计结果的检验主要有：①残差项的白噪声检验；②较大的拟合优度和较小的AIC或BIC；③预测的准确程度；④是否有更简单的模型；⑤经济意义是否合理等等。其中： ㈠ 残差的白噪声检验 ㈡ 滞后期检验;模型的残差为自噪声是建模的最基本假设，模型建立得是否合理，主要靠该检验进行。白噪声的最主要特征是各项数据间无自相关、同方差、相互独立的，所以零假设是残差各项间的自相关系数均为零，即： H0: α1= α2=…= αk= 0; 在该假设条件下，检验的主要内容如下：;⒈ 检验统计量Q; Ljung和Box的研究认为：QB统计量的概率分布与?2( K - p - q)分布存在着相应值偏小的差距，于是提出修正的QL统计量如下： QL = T (T+2) 其中ACk、k、p、q的定义与QB式相同。修正的QL统计量也是服从 ?2(k-p-q)分布，且其近似性比原QB统计量的近似性更好。所以，人们常将QB简写为Q，多数软件(如EViews中)给出的Q统计量就是这里的QL。;检验时用残差序列计算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。以? 表示检验的显著性要求，则判别规则是： ⑴若Q ?2? (k-p-q)则接受原假设H0，认为残差序列为白噪声； ⑵若Q ?2? (k-p-q)则拒绝原假设H0，认为残差序列并不是白噪声。;CPI案例的检验;;㈡ 滞后期的检验; 这两准则均要求仅当所增加的解释变量能够减少AIC值或SC值时，才在原模型中增加该解释变量。 ;⒊马娄斯的Cp检验准则(C.P. Mallows);四、时序均值模型的应用;对每一个试验模型进行拟合的同时要进行一系列的检验，其模型选择的准则如下： ⑴简练原则。经Box 和Jenkins证明简练的模型比参数过多模型的预测效果更好，一个简练模型能较好地拟合数据且不需要增加无关系数，如高阶甚至是无限阶的MA模型，完全可以由一阶或低阶的AR模型来简练。 ⑵拟合优度。AIC和SBC较R2是更恰当的方法；同时，估计过程中增加1或2个观测值就会明显改变估计值，以及估计不收敛或收敛很慢时，都说明模型的不恰当。;⒊诊断性检验原则 只有残差序列不相关，符合白噪声才能通过检验。如果不能通过检验，则要绘制残差图找出极值以及不能较好拟合数据的时期，若相关等非白噪声现象很普遍，则要改变我们的建模思路，而建议考虑： ①使用干扰分析法、传递函数分析法等后续学习的方法； ②如果残差的方差增加，则应使用ARCH模型等；;首先，确定各阶段一般水平。假设有m个周期，Yij为第i个周期第j个阶段的指标观测值。则在较平稳的时间序列中，周期中各阶段的一般水平为： (j=1,2,…,k；i=1,2,…,m) 其次，计算各阶段的周期指数。指在一般水平基础上，反映各阶段的水平值是总体一般水平的相对程度。 这样在乘法模型中就有： (其中f(t)为趋势值);㈡ 对时间序列模型的预测;依此类推XT+3的预测式是a1 XFT+2。可见随着预测期的加长，预测式中移动平均项逐步淡出预测模型，预测式变成了纯自