AR模型参数确定和具体案例eviews软件应用.pptVIP

AR模型参数确定 确定参数ψ 设 是一个零均值的平稳时间序列， 的自协方差函数为： 定义 的自相关函数为： 由 ，用 Xt-k 乘以上式两边可得到，对任意的k ≥0,有 ,k≥0,两边再同时除以 ,得到 ，k≥0 (a) 由统计理论，自相关系数 可以从样本估计中得到，模型参数 则是未知的，因此需要从 来求得 。在（a）式中取k=1,2,……p,可得如下方程组（b） 将 的估计值代入，则可以求得参数 的估计值。称式（b）为Yule-Walker方程，它是模型识别的基本方程。 ❀建模基本步骤❀ ❧数据的采集和预处理 ❧模型参数的估计 （关键的一步） ❧模型适用性的检验 ❦数据的采集和预处理 时间序列为平稳、正态、零均值的时序是建立AR模型的前提条件，因此需检验时间序列是否满足这个前提条件。若不满足，需对数据进行处理，使其满足建立AR模型的前提条件。 ❦模型参数的估计 估计模型自回归参数和残余方差。 模型参数估计方法有很多种，例如最小二乘法、协方差法、Ｂｏｘ矩估计法、Ｂｕｒｇ法、Ｍaｒｐｌｅ法等。 ❦模型的适用性检验 参数估计方法只能在给定模型阶次p的条件下确定模型参数，但阶次p究竟为多少才合适的问题没有得到解决，而模型适用性检验的核心就是解决模型定阶问题。模型的适用性的最根本准则应是检验是否为白噪声序列，将采用AIC准则进行检验。 AIC（p）=-2lnL+2p 式中，L为时间序列的似然函数，p为模型阶次。 可得到AR(n)模型的向前一步的预测值为： 具体案例 对上证指数日数据进行分析 上证指数收盘价数据表 03/03/2008 4438.27 03/04/2008 4335.45 03/05/2008 4292.65 03/06/2008 4360.99 03/07/2008 4300.52 03/10/2008 4146.3 03/11/2008 4165.88 03/12/2008 4070.12 03/13/2008 3971.26 03/14/2008 3962.67 03/17/2008 3820.05 03/18/2008 3668.9 03/19/2008 3761.6 03/20/2008 3804.05 03/21/2008 3796.58 03/24/2008 3626.19 03/25/2008 3629.62 03/26/2008 3606.86 03/27/2008 3411.49 03/28/2008 3580.15 我们取上证指数日数据进行分析(2008年3月3日至2008年3月28日，共20个数据。 1、观测数据的预处理 此数据序列为非平稳时间序列，用EVIEWS软件对数据进行预处理， 使用“Unit Root Test”，使数据处理结果为平稳时间序列。由实验可得{Xt}二阶差分后的序列满足平稳性条件。 2、模型参数的估计 运用最小二乘法对模型自回归参数进行估计。 P=1的情况下，AR（1）不显著， AR（2）相对来说显著一些。 对数据作二阶差分后的序列满足平稳性条件。 估计{Xt}二阶差分后的序列的自回归阶数p，有AIC法则计