数据分析方法及应用.ppt

例12.14解：预测方差的计算 GREEN函数 方差 例12.14解：置信区间 公式 估计结果 预测时期 95％置信区间 四月份 （85.36，108.88） 五月份 （83.72，111.15） 六月份 （81.84，113.35） 例11.5:北京市城乡居民定期储蓄比例序列拟合与预测图 MA(q)序列的预测 预测值 预测方差 例12.15 已知某地区每年常驻人口数量近似服从MA(3)模型（单位：万）： 最近3年的常驻人口数量及一步预测数量如下： 预测未来5年该地区常住人口的95％置信区间 年份 统计人数 预测人数 2002 104 110 2003 108 100 2004 105 109 例12.15解：随机扰动项的计算 例12.15解：估计值的计算 例12.15解：预测方差的计算 例12.15解：置信区间的计算 预测年份 95％置信区间 2005 （99，119） 2006 （83，109） 2007 （87，115） 2008 （86，114） 2009 （86，114） ARMA(p,q)序列预测 预测值 预测方差 例12.16 已知模型为： 且 预测未来3期序列值的95％的置信区间。 例12.16解：估计值的计算 例12.16解：预测方差的计算 Green函数 方差 例12.16解：置信区间的计算 时期 95％置信区间 101 （0.136，0.332） 102 （0.087，0.287） 103 （－0.049，0.251） 修正预测 定义 所谓的修正预测就是研究如何利用新的信息去获得精度更高的预测值 方法 在新的信息量比较大时——把新信息加入到旧的信息中，重新拟合模型 在新的信息量很小时——不重新拟合模型，只是将新的信息加入以修正预测值，提高预测精度 修正预测原理 在旧信息的基础上， 的预测值为 假设新获得一个观察值 ，则 的修正预测值为 修正预测误差为 预测方差为 一般情况 假设新获得p个观察值 ，则 的修正预测值为 修正预测误差为 预测方差为 对极大似然估计的评价 优点 极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质 缺点 需要假定总体分布 最小二乘估计 原理 使残差平方和达到最小的那组参数值即为最小二乘估计值 条件最小二乘估计 实际中最常用的参数估计方法 假设条件 残差平方和方程 解法 迭代法 对最小二乘估计的评价 优点 最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 条件最小二乘估计方法使用率最高 缺点 需要假定总体分布 例11.5续 确定1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的口径 拟合模型：AR(1) 估计方法：极大似然估计 模型口径 例12.8续 确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 拟合模型：MA(1) 估计方法：条件最小二乘估计 模型口径 例12.9续 确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 拟合模型：ARMA(1,1) 估计方法：条件最小二乘估计 模型口径 模型检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效 假设条件 原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列 检验统计量 LB统计量 例11.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 残差白噪声序列检验结果 延迟阶数 LB统计量 P值 检验结论 6 5.83 0.3229 拟合模型显著有效 12 10.28 0.5050 18 11.38 0.8361 参数显著性检验 目的 检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件 检验统计量 例11.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列极大似然估计模型的参数是否显著 参数检验结果 检验参数 t统计量 P值 结论 均值 46.12 0.0001 显著 6.72 0.0001 显著 例12.8续:对OVERSHORTS序列的拟合模型