aan_计量学ARMA模型自相关函数(生产管理 质量管理 成本管理 品质管理).pptVIP

* （一）估计自回归参数 因为当 时，ARMA(p,q)模型的自相关函数与AR(p)相同的性质，因此 * 利用样本自相关函数值，可计算出 的估计量： * （二）估计移动平均系数 模型改写成 令 ，并让 作为一个变量代入，则模型近似为 就是一个MA(q)模型，可以利用前面介绍的MA(q)模型矩方法估计其中的参数和 * 可以利用原时间序列的自协方差和前面得到的自回归系数估计，计算出 的自协方差，进而计算出自相关系数。 再代入MA(q)模型矩估计的样本自相关函数，就可以用前面介绍的方法得到 和 的参数估计。 * * 检验残差是否白噪声的方法 （一）是根据残差序列的样本自相关函数SACF，样本偏自相关函数SPACF，看它们是否在统计上具有显著性。 （二）利用SACF，用专门的 统计量 ~ * * * * 1、MA(1)模型预测 （1）一步预测 因此一步预测为 预测误差的方差为 * （2）二步预测 因此二步预测为 预测误差的方差为 对于任意h2，MA(1)模型的h步预测也都为0，预测方差则都为 * 2、MA(2)模型预测 （1）一步预测 因此一步预测为 预测误差的方差为 * （2）二步预测 因此二步预测为 预测误差的方差为 对于任意h2，MA(2)模型的h步预测也都为0，预测方差则都为 。 * 3、MA(q)模型预测 h步预测的公式: 其中 ，且对于 ， 。 h步预测误差的方差 * （三）AR模型预测 1、AR(1)模型预测 （1）一步预测 因此一步预测为 预测误差的方差为 * （2）二步预测 因此二步预测为 预测误差的方差为 * （3）h步预测( ) 预测为 预测误差的方差为 * 2、AR(2)模型预测 （1）一步预测 因此一步预测为 预测误差的方差为 * （2）二步预测 因此二步预测为 预测误差的方差为 * （3）三步预测 预测为 预测误差的方差为 对三步以上的预测则更复杂，把模型转变为移动平均模型后预测会更容易一些。 * 3、MA(q)模型预测 h步预测的公式: 其中 ，且对于 ， 。 h步预测误差的方差 * （四）ARMA(1,1)模型的预测 一步预测 因此一步预测为 预测误差方差为 * 二步预测 因此二步预测为 预测误差的方差为 * （五）预测的比较 可以用不同模型预测的均方预测误差，即各步预测误差平方和除预测步数，作为判断标准。 例如作了m步预测，意味着留了m个样本数据作为预测用，那么 就是判断模型预测性能，选择模型的重要依据。 * （三）ARMA模型的自相关函数 由ARMA(p,q)的自协方差公式可以看出， 只有 的q个自相关 的值同时依赖于 和 ； 当 时，具有与AR(p)模型相同的自相关函数差分公式 或者 * 若 ，自相关函数 是指数或正弦波衰减的，具体由多项式 和初始值决定。 若 ，就会有 个初始值 不遵从一般的衰减变化形式。 ARMA(p,q)的自相关函数是 步拖尾的。这一事实在识别ARMA模型时也非常有用。 * ARMA(1,1)过程 * * （一）AR(p)模型的偏自相关函数 AR(p)的模型 偏自相关函数定义为 计算方法 把 对 回归，得到回归方程 其中最后一项的回归系数就是要求的偏自相关系数 。 * 根据线性回归法计算偏自相关函数，运用最小二乘法进行参数估计，得到正规方程组 该方程组也可以认为是利用的协方差和自相关函数导出。尤勒——沃克方程如下 * 分别求解，得到偏自相关系数： * 由于AR(p)模型意味着 与 以后的滞后项不相关，因此大于p阶的偏自相关系数必然都等于0。 这意味着AR(p)模型的偏自相关函数有在 处截尾的特征。 这也是识别自回归模型及其自回归阶数的重要依据。 * （二）MA(q)和ARMA模型的偏自相关函数 MA(1)的偏自相关函数 该函数 ，且被衰减指数控制，因此具有