浅析处理经济数据几种方法.docVIP

浅析处理经济数据几种方法 　　摘要：本论文对时间序列进行分类：按线性性分，时间序列可以分为线性时间序列和非线性时间序列；非线性时间序列模型又可分为参数非线性模型和非参数非线性模型。并简单的介绍了重要的几个模型，分析它们的优点和缺点。阐述了处理不同类型的时间序列数据，要用不同的模型。 　　关键词：时间序列；AR模型；MA模型；ARMA模型；ARCH模型；门限模型 　　 　　一、引言 　　时间序列模型在经济预测过程中既考虑了经济现象在时间序列上的依存性，又考虑了随机波动的干扰性，对于经济运行趋势的预测准确率较高，是应用比较广泛的方法之一。 　　以往的经济预测，往往依靠传统的经验分析预测法或简单的计量经济分析预测法，如相关分析、回归分析等。这些方法的优点是：简便，易实现；但是缺点也比较明显，那就是精确度不高。为了提高预测精度，人们引进线性时间序列分析方法对经济数据进行预测。而且信息技术以及计算机工业的发展无疑给统计学家带来更多的机遇和挑战。 　　本文主要介绍线性时间序列模型和非线性时间序列模型，下面简略介绍这几种模型： 　　 　　二、线性时间序列模型 　　时间序列是按照时间顺序取得的一系列观察值。很多数据是以时间序列的形式出现的：一个工厂装船货物的周度序列，谋化工过程产出的按小时观测，等等。时间序列典型的一个本质特征就是相邻观察值的依赖性。若把时间序列的当前观察值看作过去时刻观察值和当前冲击值与过去冲击值的线性函数，就是所谓的混合的自回归和滑动平均模型： 　　?y?t-φ??t-1?y??t-1?-…-φ??t-p?=a?t-θ??t-1?a??t-1?-…-θ??t-q?a??t-q?(1) 　　使用后移算子记号，则上式可写成 　　(1-φ1B-…-φ?pB?p)y?t=(1-θ1B-…-θ?qB?q)a?t 　　其中B?my?t=y??t-m?，令φ(B)=1-φ1B-…-φ?pB?p，θ(B)=1-θ1B-…-θ?qB?q，a?t独立同分布于期望为0，方差为σ2的正态分布(高斯分布)，简记为a?t~iidN(o，σ2)下面的记法雷同。 　　则(1)式可以写成 　　φ(B)y?t=θ(B)a?t(2) 　　上述模型(1)简称为线性平稳模型ARMA(p，q)模型。 　　若(1)式中的q=0，则模型变为 　　y?t-φ1(y??t-1?-…-φ?py??t-p?=a?t(3) 　　该模型称为p阶自回归模型???简称AR(p)模型。 　　若(1)式中的p=0，则模型变成 　　y?t=a?t-θ?qa??t-1?-…-θ?q(a??t-q?(4) 　　该模型称为q阶的滑动平均模型，简称MA(q)模型。不难看出，AR(p)和MA(q)模型是ARMA(p，q)模型的特例。 　　利用上述模型进行预测，需要满足平稳性条件，若不满足，要对序列进行差分。当序列满足平稳性条件后，就可以对序列进行模型识别，然后是确定阶数，接着就是在某个准则下求出参数的估计值，把参数的估计值求出来后，还要对模型进行检验，若模型通过了检验，我们就可以利用该模型进行预测了。 　　?从Yule(1927)关于太阳黑子数的AR建模的开拓性工作到Box和Jenkins(1970)标志着ARMA建模的理论和方法成熟的工作，线性高斯时间序列模型研究得到极大的发展，支配着理论探索和实际应用。虽然最初的ARMA框架已经被推广到包括具有结合分式的ARMA的长范围相依(Granger和Joyeux1980以及Hosking1981)，多变量VARMA和VARMAX模型(Hannan和Deistler1988)，利用协整(co-integration)所得的随机游动非平稳性(Engle和Granger1987)，但是，ARMA建模长达四十年的持续普及足以说明这一点。毫不夸张地说，由于其简单性、可行性和灵活性，ARMA模型及其变种在将来仍将在分析时间序列中继续发挥积极的作用。 　　然而，早在上世纪50年代，P.A.P.Moran在对加拿大山猫数据进行建模的经典文章(Moran1953)中就暗示了线性模型的局限性。他注意到了数据中的“怪异”特征，即大于均值的样本点的残差显著地小于那些小于均值的样本点的残差。正如现在知道的那样，这正好能够解释为在种群波动的不同阶段有所谓的“控制效应”(Tong1990的§7.2；Stenseth等1990).建模控制效应或者含别的非标准特征的模型超出了高斯时间序列模型的范围。由此，统计学家想用非线性模型代替线性模型。 　　 　　三、非线性时间序列模型 　　线性范围之外，尚有无穷多的非线性形式有待挖掘。非线性时间序列分析的早期发展的重点是在各种非线性参数模型。成功的例子包括金融数据的波动波幅性的ARCH模型和