平稳时间序列模型概述.ppt

移动平均MA模型 具有如下结构的模型称为 阶自回归模型，简记为 特别当 时，称为中心化 模型 * 第三节 移动平均模型(Moving Average Model ) AR系统的特征是系统在 时刻的响应 仅与其以前时刻 的响应 有关，而与之前时刻进入系统的扰动无关。 如果一个系统在 时刻的响应 ，与其以前时刻 的响应 无关，而与其以前时刻 进入系统的 扰动 存在着一定的相关关系，那么，这一类系统则为 MA系统。 * 一、一阶移动平均模型：MA(1) 对于一个MA系统来说，如果系统的响应 刻进入系统的扰动 仅与其前一时 存在一定的相关关系，我们就得到模型: 其中： 为白噪声。 MA(1)模型的基本假设为：系统的响应 仅与其前一时刻进入 系统的扰动 有一定的依存关系；而且 为白噪声。 * 二、一般移动平均模型 类似与AR模型,当MA(1)的假设被违背时,我们把MA(1)模型 推广到MA(2),进而再对广到更一般的MA(m)模型，即： 仅与 这时 有关，而与 无关， 且 为白噪声序列，这就是一般移动平均模型的基本假设。 MA模型的可逆性 可逆MA模型定义 若一个MA模型能够表示称为收敛的AR模型形式，那么该MA模型称为可逆MA模型 一个自相关系数列唯一对应一个可逆MA模型。 MA模型的可逆条件 MA(q)模型的可逆条件是： MA(q)模型的特征根都在单位圆内 等价条件是移动平滑系数多项式的根都在单位圆外 ARMA模型的定义 具有如下结构的模型称为自回归移动平均模型，简记为 特别当 时，称为中心化 模型 * 第四节 自回归移动平均模型 Autoregressive Moving Average Model 一个系统，如果它在时刻t的响应 ，不仅与以前时刻的自 身值有关，而且还与其以前时刻进入系统的扰动存在一定的依 存关系，那么，这个系统就是自回归移动平均系统，相应的模 型记作ARMA. 则对于这样的系统要使响应 转化为独立序列 ，不仅要消除 依赖于t时刻以前的自身部分，而且还必须消 除 依赖于t时刻以前进入系统的扰动的部分。 * 一、ARMA(2，1)模型 1. 对 和 的相关性 由于AR(1)模型： 已不是适应模型，即 与 和 不独立，所以，这里的剩余 不是我们所假设的 ，将其记作 ,将其分解为: 将上式代入AR(1)模型，得 这就是ARMA(2,1)模型。 * 2.ARMA(2,1)模型的基本假设 在ARMA模型中，若 中确实除了对 和 系外，在 和 已知的条件下对 的依存关 和 不存在相关关系，那么 一定独立于 当然也就独立于 ,这就是ARMA(2,1)模型的基本假设。 * 3.ARMA(2,1)模型的结构 从模型 中不难看出，ARMA(2,1)模型把 分解成了独立的四个部分， 所以，其结构是由一个AR(2)和一个MA(1)两部分构成的， 具体 地说， 是由上述四部分构成的。 * 4.相关序列的独立化过程 将ARMA(2,1)模型如下变形： 可见，ARMA(2,1)是通过从 中消除 对 以及 的依赖性之后，使得相关序列 转化成为独立序列 ，即它 是一个使相关序列转化为独立序列的变换器。 * 5.ARMA(2,1)与AR(1)的区别 从模型形式看，ARMA(2,1)比AR(1)的项数多； 从模型的动态 性看，ARMA(2,1)比AR(1)具有更长的记忆； 从计算 所需的 资料看， ARMA(2,1)需要用t 期以前的 初期开始递 ，这就需要从 归地计算出 来，通常t＝0 时的 取序列 的 均值零； 从参数估计来看，ARMA(2,1)比AR(1)困难得多。 * 二、ARMA(2，1)模型的非线性回归 为了计算 的值，必须知道 的值，然而在动态的条件 下， 本身又取决于 和 ,则有 上式是非线性的，那么估计参数时，只能用非线性最小二乘法， 其基本思想就是在曲面上搜索使得剩余平方和最小的参数值， 有计算程序，多次迭代即可。 * 三、ARMA(2，1)模型的其他特殊情形 1.ARMA(1，1) 当ARMA(2，1)中的系数 时，有 即为ARMA(1，1)模型。 2.MA(1) 当ARMA(2，