ARFIMA模型参数贝叶斯估计的渐近性子.pdf

V 中文摘要 对于平稳的ARMA过程来说，自协方差函数依负指数下降至0，速度比较快， 通常称该过程为短记忆过程。但在许多现实的时间序列过程中，自协方差函数依 负幂指数下降，下降速度较慢，即时间序列观察值之间具有较强的依赖性，称该 均模型，简称ARFIMA模型。这类平稳的时间序列过程展现出短记忆和长记忆的 行为特征。此类时间序列在经济、金融、地理和水文等方面有着广泛的实际应 用。在过去的一段时间里，人们提出了许多方法来估计该模型的参数，比如极大 似然估计和贝叶斯方法。与其他估计方法相比较，贝叶斯方法由于考虑了模型参 数的先验信息，所得到的估计更为准确。而且，近年来随着马尔可夫链蒙特卡罗 方法和吉布斯算法的改进，参数的贝叶斯估计方法更加可行和有效。这一点已被 不少学者得以实例来证明。但由于贝叶斯估计形式的复杂性，到目前为止还没有 人从理论上证明ARFIMA模型的贝叶斯估计的大样本性质。在本文中，首先根据 贝叶斯定理得到ARFlMA模型参数的后验边缘分布，并选择后验边缘分布的众数 作为参数的估计值。接下来，参照季节性ARFIMA模型的极大似然估计的渐进性 质的证明思路，本文证明了模型参数的贝叶斯估计具有相合性、有效性和渐近正 态性。该证明过程主要是对模型的谱密度函数作了近似计算。最后，本文对参数 的贝叶斯估计方法的大样本性质进行仿真模拟，结果表明当时间序列样本足够大 时，参数的估计值越来越接近于真实值。 关键词：贝叶斯方法，ARFIMA模型，后验分布，渐近性质 Abstract fastto0atan Ina ARMA autocorrelation stationaryprocess，the decays expo- nentialrate．This iscalled in process short-memoryprocess．Yetmanyempirical time autocorrelationto0 andthe betweendm- series，the decaysslowly dependence is is tautobservations behavior very strong．Thi8 and JoyeauxHoskingproposedautoregressivefractionallyintegratedmoving-average exhibit and short-memory (ARFIMA)models，whichlong-memory behavior．Many inseveralareasas researchershavefound oftheARFlMAmodeIs such application last number and etc．Inthe decades，a of economies，finance，geologyhydrology pa- maximum rameterestimation havebeen