第五章 平稳时间序列模型的建立.ppt

第五章 平稳时间序列模型的建立 第五章 平稳时间序列模型的建立 第一节 平稳时间序列建模步骤 第二节 ARMA模型的识别 第三节 ARMA模型的参数估计 第四节 模型的诊断检验 第五节 模型的优化 第一节 平稳时间序列建模步骤 假设某个观察值序列通过预处理，可以判定为平稳非白噪声序列，则可对该序列建模。 对平稳时间序列建立模型一般要经过以下几步： 1.计算序列的样本自相关系数(SACF)和样本偏自相关系数(SPACF) 2.模型识别：根据SACF和SPACF的性质，提出一个适当类型的ARMA(p,q)模型进行拟合。 3.模型参数估计 4.模型的有效性检验 5.模型的优选 6.模型的应用：如预测。 具体如下： 平稳时间序列建模步骤 第二节 平稳时间序列模型的识别 一、模型识别前的说明 二、模型识别方法 一、模型识别前的说明 （一）关于非平稳序列 模型识别主要依赖于对样本自相关图（SACF）和样本偏自相关图（SPACF）的分析。 本章所介绍的是对零均值平稳序列建立ARMA模型，因此，在对实际的序列进行模型识别之前，应首先检验序列是否平稳。 若序列非平稳，应先通过适当变换将其化为平稳序列，然后再进行模型识别。 序列的非平稳包括均值非平稳和方差非平稳。 方差非平稳序列平稳化的方法：对数变换、平方根变换等。 在对经济时间序列分析之前往往要先对数据取对数，目的是消除数据中可能存在的异方差。然后再分析其相关图。 均值非平稳序列平稳化的方法：差分变换。 均值非平稳的序列，可以通过相关图粗略的判断。 相关图粗略的判断序列是否平稳。 如果一个随机过程是平稳的，其特征方程φ(B)=0的根都应在单位圆外。 如果φ(B)=0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，近似呈线性衰减，即可以认为该序列是非平稳的。 差分运算 如果时间序列是非平稳的，这时应该对其进行差分运算，同时分析差分序列的相关图，以判断差分序列的平稳性，直至得到一个平稳序列。 对于经济时间序列，差分次数通常只取0、1或2。 （二）关于非零均值的平稳序列 非零均值的平稳序列有两种处理方法： 设xt为一非零均值的平稳序列，且有E(xt)=μ 方法一:用样本均值 作为序列均值μ的估计，建模前先对序列作如下处理： 令 然后对零均值平稳序列wt建模。 方法二： 在模型识别阶段对序列均值是否为零不予考虑，而在参数估计阶段，将序列均值作为一个参数加以估计。 以一般的ARMA(p,q)为例说明如下： 式中： 二、模型识别的方法 模型识别又称模型定阶，也就是要根据SACF和SPACF表现出来的性质，选择适当的ARMA模型拟合观察值序列。 模型识别基本原则 模型定阶的困难 因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动 ？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 样本相关系数的近似分布 Barlett Quenouille 模型定阶经验方法 95％的置信区间 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 1. 样本自相关函数截尾性的判断方法 理论上证明：若序列xt为MA(q)序列，则kq后，序列的样本自相关函数 渐近服从正态分布，即： 故由正态分布理论可知： 此处n是样本容量。 在实际进行检验时，可对每个k0，分别检验 （通常取 ）中满足 的个数所占的百分比是否超过31.7%，或满足 的个数是否超过4.5%。 若k=1,2,…q-1都超过了，而k=q时未超过，就可认为 在kq时是截尾的。 2. 样本偏自相关函数截尾性的判断方法 可以证明：若序列xt为AR(p)序列，则kp后，序列的样本偏自相关函数 服从渐近正态分布，即近似的有： 此处n表示样本容量。于是可得： 3.关于ARMA序列阶数的确定 ARMA序列的阶数，直接通过自相关图较难确定，较常用的方法有Pandit-Wu方法(后将介绍)或延伸自相关函数(EACF)法。 建立ARMA模