《时间序列统计讲义》第五章 非平稳序列的随机分析.ppt

对数序列时序图 * 一阶差分后序列图 * 白噪声检验 延迟阶数 LB统计量 P值 6 3.58 0.7337 12 10.82 0.5441 18 21.71 0.2452 * 拟合模型口径及拟合效果图 * 5.6 条件异方差模型 ARCH模型 GARCH模型 GARCH模型的变体 EGARCH模型 IGARCH模型 GARCH-M模型 AR-GARCH模型 * ARCH模型 假定 原理 通过构造残差平方序列的自回归模型来拟合异方差函数 ARCH(q)模型结构 * GARCH 模型结构 使用场合 ARCH模型实际上适用于异方差函数短期自相关过程 GARCH模型实际上适用于异方差函数长期自相关过程 模型结构 * GARCH模型的约束条件 参数非负 参数有界 * EGARCH模型 * IGARCH模型 * GARCH-M模型 * AR-GARCH模型 * GARCH模型拟合步骤 回归拟合 残差自相关性检验 异方差自相关性检验 ARCH模型定阶 参数估计 正态性检验 * 例5.12 使用条件异方差模型拟合某金融时间序列。 * 回归拟合 拟合模型 参数估计 参数显著性检验 P值0.0001,参数高度显著 * 残差自相关性检验 残差序列DW检验结果 Durbin h=-2.6011 拟合残差自回归模型 方法：逐步回归 模型口径 * 异方差自相关检验 Portmantea Q检验 拉格朗日乘子（LM）检验 * Portmantea Q检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 * LM检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 * 例5.12残差序列异方差检验 * ARCH模型拟合 定阶：GARCH(1,1) 参数估计：极大似然估计 拟合模型口径：AR(2)-GARCH(1,1) * 模型检验 检验方法：正态性检验 假设条件： 检验统计量 检验结果 拒绝原假设 接受原假设 * 例5.13正态性检验结果 P值＝0.5603 AR(2)-GARCH(1,1)模型显著成立 * 拟合效果图 * 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