平稳时间序列预测法.ppt

* * * * * * * * * * * * * * * (2)残差方差： (3)F检验： （四）最佳准则函数定阶法 1、基本思想：确定一个函数，该函数既要考虑用某一模型拟合原始数据的接近程度，同时又考虑模型中所含参数的个数。当该函数取最小值时，就是最合适的阶数。 衡量模型拟合数据的接近程度的指标是残差方差。 残差方差= 2、最佳准则函数包括AIC、BIC准则。 3、AIC准则 (1)该准则既适合于AR，也适合于ARMA模型。 关于ARMA模型的定阶 1、ACF、PACF都呈现一定的拖尾性，试拟合ARMA模型。Pandit-Wu于1977年提出了不同于Box-Jenkins的系统建模方法。该方法认为，任一平稳序列总可以用一个ARMA(n,n-1)表示，AR(n)、MA(m)、ARMA(n,m)都是ARMA(n,n-1)的特例。 2、建模思想：逐渐增加模型阶数，直到剩余平方和不再减小为止。 3、如何在不同模型之间取舍 * * * * * * * * * * * * * * * * * * * * * * * 例： k 1 2 3 4 5 6 7 8 9 10 ?k 0.88 0.76 0.67 0.57 0.48 0.4 0.34 0.28 0.21 0.17 ?kk 0.88 0.01 -0.01 0.11 0.02 -0.01 0.01 -0.02 -0.06 0.05 计算结果表明，ACF逐渐衰减，但不等于零；PACF在k=1后，与零接近，是截尾的。 结论：ACF呈指数衰减，是拖尾的；PACF在一步后为零，是截尾的。 二、移动平均模型（MA(q)） 1、形如zt=at-?1at-1- ?2at-2 -…- ?qat-q模型为滑动平均模型， 其中，简化形式zt=?(B)at ?(B)= 1-?1B- ?2B2 -…- ?qBq,满足?(B)= 0的根在单位圆外，即?B?1，此时该过程是可逆的。 2、MA模型的ACF及PACF (3)PACF 例：用zt=(1-0.5B)at模拟产生250个观察值，at为白噪声序列，得到序列自相关和偏自相关函数如下： 可见，ACF在一步后截尾，PACF是拖尾的。 结论：MA(q)的ACF是截尾的，PACF是拖尾的。 k 1 2 3 4 5 6 7 8 9 10 ACF -0.44 0 0.02 -0.03 -0.01 -0.05 0.04 -0.03 -0.03 0.02 PACF -0.44 -0.24 -0.11 -0.08 -0.07 -0.12 -0.06 -0.07 -0.1 -0.08 三、自回归移动平均模型（AR M A (p, q)） 1、 2、ARMA(p,q)的ACF和PACF (2)ACF、PACF均是拖尾的 例：(1-0.9B)zt=(1-0.5B)at模拟产生250个观察值，ACF、PACF如下表所示： k 1 2 3 4 5 6 7 8 9 10 acf 0.57 0.5 0.47 0.35 0.31 0.25 0.21 0.18 0.1 0.12 pacf 0.57 0.26 0.18 -0.03 0.01 -0.01 0.01 0.01 -0.08 0.05 本节介绍了三类模型的形式、特性及自相关和偏自相关函数的特征，现绘表如下： AR(p) MA(q) ARMA(p,q) 模型方程 ?(B)=at zt=?(B)at ?(B)zt= ?(B) at 平稳性条件 ?(B)=0的根在单位圆外 无 ?(B)=0的根在单位圆外 可逆性条件 无 ?(B)=0的根在单位圆外 ?(B)=0的根在单位圆外 自相关函数 拖尾 Q步截尾 拖尾 偏自相关函数 P步截尾 拖尾 拖尾 第三章 平稳时间序列模型的建立 第一节 模型识别与定阶 一、模型识别 1、含义：对一个观察序列，选择一个与其实际过程相吻合的模型结构。 2、方法：利用序列的acf、pacf识别。判断截尾、拖尾的主观性较大，只是初步识别。 二、模型定阶 （一）a c f、p a c f方法 （1）M A (q): Bartlett公式：当kq时，N充分大， (2)AR（P）： （二）残差方差图： （1）残差：在多元回归y=a1x1+ a2x2+….+ an x n +at,存在自变量x的选择问题。如果x选择不够，模型拟合不足，表现为y与? 差异较大；若x选择多，则过度拟合，y与?差异减小速度很慢。 将(y- ?)称为残差，多元回归就是利用此确定模型的自变量，即新增或减少变量是否会显著影响残差。