时间序列分析解析1资料.pptVIP

延迟 统计量检验 统计量值 P值 延迟6期 75.46 0.0001 延迟12期 82.57 0.0001 该序列是非白噪声序列 自相关图 自相关系数拖尾 偏自相关图 偏自相关系数1阶截尾 AR(1)模型 例子 例8.选择合适的ARMA模型拟合美国科罗 拉多州某一加油站连续57天的 OVERSHORT序列 时序图 自相关图 自相关系数1阶截尾 偏自相关图 偏自相关系数拖尾 MA(1)模型 矩估计 极大似然估计 最小二乘估计 参数估计 例子 例7续.确定1950年——1998年北京市城乡 居民定期储蓄比例序列拟合模型的 口径 拟合模型:AR(1) 估计方法:极大似然估计 模型口径: 例子 例8续.确定美国科罗拉多州某一加油站连 续57天的OVERSHORTS序列拟合 模型的口径 拟合模型:MA(1) 估计方法:最小二乘估计 模型口径: 模型检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 残差项是否含有相关信息 每一个参数是否显著非零 模型的显著性检验 检验目的 检验模型的有效性,对信息的提取是否充分 判定原则 残差序列是否为白噪声序列 检验对象 残差序列 参数的显著性检验 检验目的 删除不显著参数使模型结构最精简 判定原则 每一个未知参数是否显著非零 检验对象 模型参数 平稳AR模型偏自相关系数的截尾性 例4.考察如下AR模型的偏自相关图 MA模型 具有如下结构的模型称为q阶移动平均模型，简记为MA(q) MA模型 q阶移动平均系数多项式 例子 例5.考察如下MA模型的相关性质 自相关图 自相关图 偏自相关图 偏自相关图 MA模型的可逆性 自相关系数的不唯一性 自相关系数和模型之间不是一一对应 给模型增加约束条件——可逆性条件 MA(q)模型的可逆条件—特征根判别 MA(q)模型可逆的充要条件是它的特征根都在单位圆内 MA(q)模型可逆的充要条件是移动平均系数多项式的根都在单位圆外 MA(q)模型的可逆条件—可逆域判别 MA(q)模型的可逆域 MA(1)模型的可逆域 MA(2)模型的可逆域 ARMA模型 具有如下结构的模型称为自回归移动平均模型，简记为ARMA(p,q) ARMA模型 平稳条件 ARMA(p,q)模型的平稳条件: 可逆条件 ARMA(p,q)模型的可逆条件: 例子 例6.拟合下列模型ARMA(1,1), 并直观地 考察该模型自相关系数和偏自相关系 数的性质。 自相关系数拖尾性 自相关图 偏自相关系数拖尾性 偏自相关图 拖尾 拖尾 ARMA(p,q) 拖尾 q阶截尾 MA(q) P阶截尾 拖尾 AR(p) 偏自相关系数 自相关系数 模型 ARMA模型相关性特征 平稳序列建模 建模步骤 模型识别 参数估计 模型检验 模型优化 序列预测 平 稳 非 白 噪 声 序 列 计 算 样 本 相 关 系 数 模型 识别 参数 估计 模型 检验 模 型 优 化 序 列 预 测 Y N 建模步骤 计算样本相关系数 样本自相关系数 样本偏自相关系数 ARMA(p,q) 拖尾 拖尾 MA(q) 拖尾 q阶截尾 AR(p) p阶截尾 拖尾 选择模型 模型识别 模型识别的困难 由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的ACF或PACF仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数的增加，ACF与PACF都会衰减至零值附近作小值波动 当ACF或PACF在延迟若干阶之后衰减为小值波动时，什么情况下该看作相关系数截尾，什么情况下该看作相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 模型定阶经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 例子 例7.选择合适的ARMA模型拟合1950年 ——1998年北京市城乡居民定期储蓄 比例序列。 时序图 纯随机性检验 判别原则 当检验统计量大于 分位点，或该统计量的P值小于 时，则可以以 的置信水平拒绝原假设，认为该序列为非白噪声序列，否则，就接受原假设，即认为该序列为白噪声序列。 例子 例4.(续) 检验结果 延迟 统计量检验 统计量值 P值 延迟6期 2.36 0.8838 延迟12期 5.35 0.9454 结论： 接受原假设 即该序列是白噪声序列 例子