第六章 平生稳时间序列预测.pptVIP

第六章 平稳时间序列预测 第一节 平稳时间序列预测概念 第二节 最小均方误预测 第三节 条件期望预测 第四节 适时修正预测 第五节 指数平滑预测与ARMA模型 第一节 平稳时间序列预测的概念 一、最小均方误差预测概念二、平稳ARMA模型最小均方误预测的推导 一、最小均方误差预测概念 二、平稳ARMA模型最小均方误预测的推导 第三节 条件期望预测 一、条件期望预测的一般公式 二、用条件期望进行预测 三、ARMA(p,q)模型条件期望预测的一般结果 四、ARMA(p,q)条件期望预测的置信区间 一、条件期望预测的一般公式 二、用条件期望进行预测 1.AR(1)模型的条件期望预测(参见P130) 设xt适合如下AR(1)模型: 2、AR(2)模型的条件期望预测 4、MA(1)模型的条件期望预测 设： 预测举例： 例1：利用对zl14所建立的模型进行预测。 先对原序列零均值化， 然后建模如下： 前已证明，条件期望预测与最小均方误预测是一致的，因此，预测误差和误差方差也是相同的。 因此，条件期望的预测误差为： 在Eviews中利用ARMA模型进行预测。 （1）Eviews中进行预测时的两个选项。 Dynamic—动态预测。（含义） Static—一步超前预测。（含义） 对于ARMA模型： 若对序列进行拟合分析(即追溯预测)，则选static。 若向前l步预测，则要选dynamic，并且要先对工作区间、样本区间进行调整如下： (1)expand @first t+l (2)smpl t+1 t+l 第四节 适时修正预测 一、问题的提出 二、适时修正预测公式 一、问题的提出 二、适时修正预测公式 1、适时修正预测公式的推导 （1）适时修正预测公式 第五节 指数平滑预测与ARMA模型 一、一次指数平滑预测的原理 二、ARIMA(0,1,1)模型的预测 一、一次指数平滑预测的原理 一次指数平滑预测的基本公式为： 设有ARIMA(0,1,1)模型如下: 由上述推导推可见： （1）一次指数平滑是ARIMA(0,1,1)模型预测的特例，且ARIMA模型提供了最优方式预测所需要的权数。 （2）ARIMA预测也是最小均方误预测，但一次指数平滑预测却不具有这种最优特性。 （3）对于ARIMA预测，仅对可逆过程才是有意义的，对于ARIMA(0,1,1)就是要求|θ|1。 （4）只有原序列适合于ARIMA(0,1,1)模型时，采用一次指数平滑预测才是合适的。 所谓传递形式：就是将序列xt的当前值， 表示为当前冲击值at 与过去冲击值 at-i(i=1,2,3…)的线性组合。即: 其中，系数函数Gj叫做记忆函数，又叫格林函数(Green’s function)。（参见P47、48） Thank you very much! 附： ARMA模型的传递形式和逆转形式 由推导可以看出，对于ARMA(p,q)模型的向 前l 步预测(lp，且l q)，预测结果满足如 下差分方程： （预测值解的一般形式参见课本P134） 由解的一般形式可以看出，对于ARMA(p,q)模型，自回归部分 决定了预测函数的形式，而滑动平均部分则用于确定预测函数 中的系数。 已知： 解： 同理： 当 时，预测值满由模型自回归部分决定的差分方程： 解此差分方程即可求出预测函数。 四、ARMA(p,q)条件期望预测的置信区间 返回本节首页 下一页 上一页 预测误差的方差为： 其中： l =1时的预测误差为： 于是有： 可见ARMA模型中白噪声项at其实就是以xt-1为原点， 向前一步预测误差。 预测误差和白噪声项的关系： 再由预测误差方差的公式得： 可见：向前一步预测误差的方差其实就是白噪声项的方差。 预测误差的置信区间： 对于正态过程，预测误差的分布为： 所以：对xt+l预测的95%的置信区间为： 因此： 根据预测置信区间的公式得： 可见：随着预测步长的加大，预测误差的置信区间也越大， 预测结果越不准确。 例1：zl14磨轮剖面数据，所建模型如下： 于是以t=250为原点，向前一步、二步、三步预测 的95%的置信区间分别为： 所以对于原序列，以t=250为原点向前一步，二步、三步 的预测分别为： 例2. 对ARMA21.wf1文件中的序列x建模如下： 已知： 模型的剩余平方和为260.04。 （1）求预测值 解： a250未知，故需先将其求出。 由已知数据得： 同理： 因此： （2）求预测值的95%的置信区间： 由ARMA(2,1)模型的格林函数得： 所以预测值的95%的置信区间为： 具体操作见演示。 (2)通过Eviews计算预测置信区间。 例：根据磨轮剖面数据zl14.wf1， (1)建立模型。 (2)模型追溯预测分析。