FINTS第四章线性ARMA模型.pptVIP

第四章：线性时间序列分析及其应用 学习目标 ● 简单滑动平均(MA)模型 ● 简单自回归(AR)模型 ● 混合自回归滑动平均(ARMA)模型 平稳时间序列 几个重要的平稳过程和模型 白噪声过程 MA过程 AR过程 ARMA过程 平稳过程的参数 自协方差和自相关函数 偏自相关函数 4.1白噪声和线性时间序列 白噪声过程 4）不同时刻随机变量是相互独立的随机变量，并且同分布 称为独立白噪声，记为{?t}~I.I.D(0, ?2) 如果再增加一个条件 5）服从正态分布 该过程为高斯白噪声（Gaussian white noise process）。 线性时间序列 时间序列{rt}称为线性时间序列，如果它能表示成当前和过去白噪声序列的加权线性组合，即 若 是平稳的，利用 的独立性，我们容易得到 因此， 权重与 的自相关系数有如下关系： 4.2 MA模型4.2.1MA模型介绍 当（4.1）仅仅有有限个 权重为非零时，我们称之为滑动 平均过程，即 MA(1) 另一种表达方式 本质是一个只包括常数项的回归模型，但残差存在自相关。容易知道MA(1)存在一阶自相关。 q-阶滑动平均模型和过程 下面是几个MA模型 Yt=0.1+?t＋0.2 ?t－1 ＋0.1 ?t－2 Yt=0.1+?t＋0.3 ?t－1 ＋ 0.21 ?t－2 －0.1 ?t－3 Yt=0.1+?t＋0.3 ?t－4 4.2-2 MA模型的性质 MA(1)模型 MA(q)模型 自相关函数 MA(1)模型：为简单起见，假定 对两端乘以 ，我们有 MA(2)模型 自协方差函数 自相关系数是 MA(q)模型 自相关系数 MA过程 ACF图 练习题 1. 证明 MA(q)过程自相关函数应满足的关系式 2. 计算 的自相关函数。 4.2-3识别MA模型的阶 自相关函数是识别MA模型的阶的有用工具。如果时 间序列具有自相关函数 ，若 ，但对 4.2-4用MA模型预测 MA(1)过程的向前一步预测，由模型知 MA(1)过程的向前二步预测，由模型知 我们有 类似地对MA(2)模型，我们有 4.3 自回归模型Autoregressive Model 其中 {?t }是白噪声过程。 ， 表达式(4.3)是P-阶自回归模型 {rt }为p-阶自回归过程 ,表示为AR(p) 是未知参数或系数。 AR(1)过程 AR(1)模型的自相关函数 进一步有递推式： AR(1)参数 ?t=0.1+0.5?t-1 +?t ?t=0.1-0.5?t-1 +?t ?=0.1/(1-0.5)=0.2 ?= 0.1/(1+0.5) ?j=0.5j ?j =(-0.5)j AR(2)模型 与前面的差分方程对应的是二次(特征)多项式 时间序列文献中称这两个解的倒数为AR(2)模型的特征根 对应AR(1)模型: AR(p)模型 称之该AR(p)模型的特征方程。 AR(p)模型的平稳性条件：上述方程的所有解的模都大于1。 由于解的倒数为该模型的特征根。因此，平稳性要求所有 特征根的模都小于1。 AR(p)模型的参数特点 用后退算子表示自协方差函数为 自相关函数： 练习题 3. 推导AR(p)模型的参数特征公式 4. P177-178, 4, 9 滞后算子 滞后算子(Lag operators)或延迟算子（Backshift） 滞后算子，用L表示。有的书上称为延迟算子，用B表示 LYt=Yt-1 滞后算子 (1)L(LYt)=L(Yt-1)= Yt-2,记为L2Yt= Yt-2,一般的Lk Yt= Yt-k (2)与乘法可交换L(a Yt)=a(LYt) (3)加法可分配L(Yt +Xt)= LYt + L Xt (4)对常数列的运算等于他自身Lc=c (5)1Yt=Yt (6) (1-?L)-1=1+ ?L+ ?2L2+…+ ?kLk … 当|?|1时。 4.4自回归滑动平均混合模型 Mixed Autoregressive Moving  Average Model （ARMA） ARMA模型：没有公因子 例如下面的模型 Yt =0.5Yt-1 -0.04 Yt-2 + ?t -0.6 ?t-1 +0.05 ?t-2 （1－0.1L）(1-0.4L) Yt=（1－0.1L）(1-0.5L) ?t 有公共因子，去掉公共因子，得到简化后的模型 (