第五篇 章 非平稳序列的随机分析.ppt

对季节效应的常用拟合方法 给定季节指数 建立季节自回归模型 例5.6续 使用Auto-Regressive模型分析1952年－1988年中国农业实际国民收入指数序列。 时序图显示该序列有显著的线性递增趋势，但没有季节效应，所以考虑建立如下结构的Auto-Regressive模型 趋势拟合 方法一：变量为时间t的幂函数 方法二：变量为一阶延迟序列值 趋势拟合效果图 残差自相关检验 检验原理 回归模型拟合充分，残差的性质 回归模型拟合得不充分，残差的性质 Durbin-Waston检验（DW检验） 假设条件 原假设：残差序列不存在一阶自相关性 备择假设：残差序列存在一阶自相关性 DW统计量 构造统计量 DW统计量和自相关系数的关系 DW统计量的判定结果 正 相 关 相 关 性 待 定 不相关 相 关 性 待 定 负 相 关 0 4 2 例5.6续 检验第一个确定性趋势模型 残差序列的自相关性。 DW检验结果 检验结果 检验结论 检验结果显示残差序列高度正自相关。 DW统计量的值 P值 0.1378 1.42 1.53 0.0001 Durbin h检验 DW统计量的缺陷 当回归因子包含延迟因变量时，残差序列的DW统计量是一个有偏统计量。在这种场合下使用DW统计量容易产生残差序列正自相关性不显著的误判 Durbin h检验 例5.6续 检验第二个确定性趋势模型 残差序列的自相关性。 Dh检验结果 检验结果 检验结论 检验结果显示残差序列高度正自相关。 Dh统计量的值 P值 2.8038 0.0025 残差序列拟合 确定自回归模型的阶数 参数估计 模型检验 例5.6续 对第一个确定性趋势模型的残差序列 进行拟合 残差序列自相关图 残差序列偏自相关图 模型拟合 定阶 AR(2) 参数估计方法 极大似然估计 最终拟合模型口径 例5.6 第二个Auto－Regressive模型的拟合结果 三个拟合模型的比较 模型 AIC SBC ARIMA(0,1,1)模型： 249.3305 252.4976 Auto－Regressive模型一： 260.8454 267.2891 Auto－Regressive模型二： 250.6317 253.7987 5.4 异方差的性质 异方差的定义 如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差 异方差的影响 忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。 预测值 等价形式 计算预测值 计算置信区间 Green函数值 方差 95％置信区间 例5.6续：对中国农业实际国民收入指数序列做为期10年的预测 疏系数模型 ARIMA(p,d,q)模型是指d阶差分后自相关最高阶数为p，移动平均最高阶数为q的模型，通常它包含p+q个独立的未知系数： 如果该模型中有部分自相关系数 或部分移动平滑系数 为零，即原模型中有部分系数省缺了，那么该模型称为疏系数模型。 疏系数模型类型 如果只是自相关部分有省缺系数，那么该疏系数模型可以简记为 为非零自相关系数的阶数 如果只是移动平滑部分有省缺系数，那么该疏系数模型可以简记为 为非零移动平均系数的阶数 如果自相关和移动平滑部分都有省缺，可以简记为 例5.8 对1917年－1975年美国23岁妇女每万人生育率序列建模 一阶差分 自相关图 偏自相关图 建模 定阶 ARIMA((1,4),1,0) 参数估计 模型检验 模型显著 参数显著 季节模型 简单季节模型 乘积季节模型 简单季节模型 简单季节模型是指序列中的季节效应和其它效应之间是加法关系 简单季节模型通过简单的趋势差分、季节差分之后序列即可转化为平稳，它的模型结构通常如下 例5.9 拟合1962——1991年德国工人季度失业率序列 差分平稳 对原序列作一阶差分消除趋势，再作4步差分消除季节效应的影响，差分后序列的时序图如下 白噪声检验 延迟阶数 统计量 P值 6 43.84 0.0001 12 51.71 0.0001 18 54.48 0.0001 差分后序列自相关图 差分后序列偏自相关图 模型拟合 定阶 ARIMA((1,4),(1,4),0) 参数估计 模型检验 残差白噪声检验 参数显著性检验 延迟 阶数 统计量 P值 待估 参数 统计量 P值 6 2.09 0.7191 5.48 0.0001 12 10.99 0.3584 -3.41 0.0