时间数列分析解析---模式鉴定跟估计资料.docVIP

PAGE PAGE 3 時間數列分析模式鑑定與估計 李明一 前言： 承續上學期對平穩型數列（Stationary Series）的探討，此次報告著重於模式的鑑定及模式的估計、檢定，意即如何鑑定各種不同之時間數列應屬於何種子模式類型之方法，及所給予的數據被鑑定為某種型態的模式後，模式中的未知參數（Parameters）如何去估計。另亦介紹無定向數列或稱非平穩數列（Nonstationary Series）。本文主要參閱林茂文編著「時間數列分析與預測」（華泰書局）。 內容： 首先對無定向數列做初步介紹。如圖（一）(a)，無定向數列或非平穩數列（Nonstationary Series）圖形呈現漂浮無定向的情形，然可利用差分計算的觀念使數列趨於平穩，如圖（一）(b)。因此，可認為對一無定向型數列，經取連續的差分後，終將變為一穩定型數列。無人可定義差分運算子（Difference Operator）為 因此與後移運算子B之關係為，所以高階之差分可以表示為，…，，例如：第二次差分可表示為 (1) 一般而言，欲獲得無定向型時間數列之模式，係假設原始數列經取第d次差分（d0）後可轉為平穩型數列，則可以自我回歸移動平均模式（Mixed Autoregressive-Moving Average Process，ARMA）來表示。如此之模式稱之為（p,d,q）階之整合自我回歸移動平均模式（Autoregressive Integrated Moving Average Model of Order (p,d,q)，ARIMA），其中p表示自我回歸過程之階數，d為差分次數，q為移動平均之階數。 對ARIMA有了初步的瞭解後，即可討論如何鑑定不同之時間數列應屬於何種子模式類型，模式鑑定之過程有兩個部分，第一個部分為決定ARIMA模式之p,d與q等之數值，第二個部分為計算被選取模式中未知參數,與之初步估計值。由於ARIMA（p,d,q）所表示之一類模式在應用上涵蓋非常廣泛，最簡單的選擇模式之運算方法是對一個原始數列{}或對原始數列取差分後之新數列{}推求自我相關函數（Autocorrelation Function , ACF）。假設有一個差分後之觀測數列，記為,,…, 則，在時差k之樣本自我相關係數定義為 (2) 式中與。另外，在鑑定模式時，亦需應用到偏自我相關函數(Partial Autocorrelation Function , PACF)之理論圖形，藉以幫助判斷模式之類型。 實際作業上，都是利用樣本之相關係數來估計理論之相關係數，但由於樣本誤差之關係，樣本估計值與理論值將不會完全相同一致。可利用下列(3)(4)兩式來判斷ACF與PACF是否自某一特定時差k起，其值有效地為零。 第k個樣本ACF之標準誤差 S.E. (3) 第k個樣本PACF之標準誤差 S.E. (4) 假若估計值之絕對值小於2或3倍標準誤差，則可假設或之係數值為零。 鑑定ARIMA(p,d,q)d之數值，因ACF若不容易很快消失時，顯示該數列為一無定向行數列，故可對數列取差分直到數列之ACF很快消失為止，即表示數列已經變為平穩型數列。由前次報告的內容很清楚的知道樣本ACF對建立移動平均（MA）模式的階次相當受用，而樣本PACF對建立自我回歸（AR）模式的階次亦很有幫助，然而對ARMA模式之建立其ACF與PACF均出現逐漸消失的型態，因此p與q的階次很難認定。對於ARMA模式之認定最常用的方法為假設屬於一種ARMA(p,q)模式 (5) 或等於 (6) 則 (7) 一般應用上，ARMA(p,q)模式之真正階次p與q通常均未知而需由估計而得，當然可運用最小二乘法估計，但是，當ARMA(p,q)p,q皆大於0時，最小二乘法所估計的參數不具一致性，因此將導致不正確的認定。為能推導出一致性的估計參數，假設有ARMA(p,q)過程之n個觀測值且經平均數調整，如果以AR(p)模式來擬合該資料，即 , t=p+1,…,n (8)式中為誤差項，則利用最小二乘法對參數之估計值將是不具一致性且估計的殘差直為 (9) 假若，則落後時差值將包含數列之某些訊息，如此，將導出下列之遞迴迴歸分析法，首先，考慮一種AR(p)附加之迴歸式，即 , (10) 式中附標(1)表示為第一次遞迴迴歸且為對應之誤差項。假若q=1則最小二乘法估計將為一致性估計，若q1，則將又是不具一致性，因此，需進行第二次遞迴AR(p)迴歸 , (11) 假若q=2則利用