如每月物价每年产值等影响时间序列变化四个成因.pptVIP

Stationarity 之條件 Yule-Walker 等式 : 例：Zt = Zt-1 - 0.6Zt-2 + εt Quan_ARMA * Quan_ARMA * Quan_ARMA * ARMA(p,q) model 若 q= p，則 ACF 遞減 (damped exponentially or sine-wave) 若 q p，前面 q-p+1 個 p 和其它的 p 呈二段式遞減 Quan_ARMA * ACF 與 PACF 皆漸漸消失型 (damped exponentially or sine-wave) Quan_ARMA * Quan_ARMA * Model acf Pacf MA(q) 時差 q 之後切斷 指數或正弦函數式漸漸消失 AR(p) 指數或正弦函數式漸漸消失 時差 p 之後切斷 ARMA(p,q) 指數或正弦函數式漸漸消失 指數或正弦函數式漸漸消失 ARMA model 中 acf 與 pacf 的表象 以上列出的 acf 與 pacf 的特性將作為辨識適合的 ARMA模式的準則。 Quan_ARMA * 6.4 ARMA 建模的步驟 Stationize: 檢測序列的平穩性，對不平穩的序列，差分轉換為平穩序列。 Tentative identification: 由資料的 acf, pacf 辨識適合的 ARMA模式, 選出數個可能模式。 Estimation: 對遴選模式估計參數 Diagnostic Checking: 由各種診斷法來檢視模式的適合性，挑選出一模式，視為用於預測的模式 Forecasting: 以最終模式預測未來值 應隨時做模式的更新。 Quan_ARMA * (1) 平穩化過程 如果手中的時序資料不是 stationary，以一次差分轉換，使成為一 stationary series，必要時用多次差分。 利用檢定確認它是一 平穩序列 Quan_ARMA * (2) 初步辨識 由樣本的acf 及pacf 的走勢及變化來辨識ARMA模式中的 p，q值 選出數個候選模式 模式應力求簡單 Model acf Pacf MA(q) 時差 q 之後切斷 指數或正弦函數式漸漸消失 AR(p) 指數或正弦函數式漸漸消失 時差 p 之後切斷 ARMA(p,q) 指數或正弦函數式漸漸消失 指數或正弦函數式漸漸消失 Quan_ARMA * (3) 參數估計 原則上用 least square estimate 估計的係數必滿足 平穩性及可逆性之條件 ARMA 係數的估計有時需以遞迴的數值法得解，有可能遇到不收歛情況 Quan_ARMA * 例 ： 一平穩序列，依據下列現象分別以 AR(1), MA(1), 及 ARMA(1,1) 配適： Autocorrelations Lag Correlation ?6?5?4?3?2?1?0?1?2?3?4?5?6?7?8?9?1 - 0 1.00000 |????????????????????|********************| 0 1 -.43773 |?|*********|???.????????????????| 0.100000 2 0.05214 |???????????????.????|*???.???????????????| 0.117610 3 -.00119 |???????????????.????|????.???????????????| 0.117841 4 -.07136 |??????????????.???*|????.???????????????| 0.117841 5 -.00389 |???????????????.????|????.???????????????| 0.118273 6 -.09027 |?????????????.??**|????.???????????????| 0.118274 7 0.08643 |???????????????.????|**??.???????????????| 0.118961 8 -.04553 |??????????????.???*|????.???????????????| 0.119587 9 0.08755 |???????????????.????|**??.???????????????| 0.119760 10 -.13564 |????????????.?***|????.???????????????| 0.120399 11 0.18628 |???????????????.????|****.???????????????| 0.121917 12 -.