测量数据处理第四章时敏间序列分析全.ppt

§4.8时间序列的预报 对事物未来的状况进行估计。在许多实际问题 中，进行时序分析，建立线性模型的主要目的，就 是在确定模型参数之后，对未来可能出现的结果进 行数值预报。也就是根据过去和现在的时间序列的 样本观测值，对未来某些时刻的随机变量进行估计。 常见的例子有气象预报，水文预报、地震预报等。 本节着重讨论零均值平稳序列的预报问题。 * 类别 AR(p)模型 MA(q)模型 ARMA(p,q)模型 方程 平稳条件 无条件平稳 可逆条件 无条件可逆 自相关函数 拖尾 截尾(kq) 拖尾 偏相关函数 截尾(kp) 拖尾 拖尾 各类模型特征 §4.5 模型参数的矩估计 §4.6模型参数的最小二乘估计 上节介绍的模型参数的矩估计，没有要求估计 量满足某种最优化条件，故一般称为粗估计。当采 用要求估计量满足某种最优化条件的估计方法时， 称相应的估计方法为精估计。精估计方法得到的估 计量精度较高。常用的精估计方法是最小二乘估计 法。 其中最常用的是线性最小二乘估计。本节介绍 应用最小二乘估计求解时间序列模型的未知参数的 方法。 §4.7模型的检验与改进 由前面的讨论可以看到，对于平稳的零均值时 间序列和相应的白噪声序列，可以建立ARMA(p,q) 模型。因此，如果有一个包含N个动态数据（即样 本观测值）的时间序列，欲建立AR