第八章季节时间序列模型及组合模型.pptVIP

季节时间序列模型与组合模型 Contents 第一节 季节时间序列模型 第二节 回归与时间序列组合模型 第一节 季节时间序列模型 在某些时间序列中，存在明显的周期性变化。这种周期是由于季节性变化（包括季度、月度、周度等变化）或其他一些固有因素引起的。这类序列称为季节性序列。比如一个地区的气温值序列（每隔一小时取一个观测值）中除了含有以天为周期的变化，还含有以年为周期的变化。在经济领域中，季节性序列更是随处可见。如季度时间序列、月度时间序列、周度时间序列等。处理季节性时间序列只用以上介绍的方法是不够的。描述这类序列的模型之一是季节时间序列模型(seasonal ARIMA model)，用SARIMA 表示。较早文献也称其为乘积季节模型（multiplicative seasonal model）。 建立SARIMA 模型： （1）首先要确定d, D。通过差分和季节差分把原序列变换为一个平稳的序列。 （2）然后用xt建立模型。 季节时间序列建模案例 案例1：（文件名：5b2c3）北京市1978:1~1989:12 社会商品零售额月度数据（yt，单位：亿元人民币）。yt与时间呈指数关系且存在递增型异方差。对数的社会商品零售额月度数据（Lnyt）曲线。Lnyt与时间近似呈线性关系（异方差问题也得到抑制）。 建模1：用1978:1~1989:11 期间数据，估计yt的 (1, 1, 1) × (1, 1, 0)12阶季节时间序列模型，得结果如下： 注意： （1）仔细对照输出结果，不要把自回归系数估计值的符号写错。 （2）表达式中，季节和非季节因子（特征多项式）之间是相乘关系。 （3）在EViews 估计命令中把变量写作DLOG(Y,1,12)的好处是可以直接对yt和DD12Lnyt预测。 （4）以上EViews 估计命令为例，如果命令中没有AR(1)项，那么SAR(12) 项的输出结果将变为AR(12)，为什么？ 建模2：进一步分析DD12Lnyt的相关图和偏相关图，也可以建立成一个纯季节移动平均模型。用1978:1~1989:12 期间数据得(0, 1, 1) × (0, 1, 1)12季节乘积模型EViews 估计结果如下， 案例2 香港季节GDPt数据的拟合（季节时间序列模型，file：5HongKong） 通过LnGDPt的相关图和偏相关图可以看到LnGDPt是一个非平稳序列（相关图衰减得很慢）。 在DLnGDPt的基础上进行一阶季节差分，或在D4LnGDPt基础上进行一阶非季节差分，得 D4DLnGDPt。D4DLnGDPt 中已经基本消除了季节变化因素。在D4DLnGDPt的基础上建立时间序列模型。 注意： （1）不要把自回归系数估计值的符号写错。不要把均值（- 0.0023）项表达错。EViews仍然是对(D4DLnGDPt+0.0023)建立(2, 1, 2) × (1, 1, 1)4阶季节时间序列模型，而不是对 D4DLnGDPt建立季节时间序列模型。 （2）季节和非季节因子之间是相乘关系。 （3）在EViews 估计命令中把变量写作DLOG(GDP,1,4)，好处是预测时可直接预测GDPt，也可以预测D4DLnGDPt。 例如有如下回归模型： 假设ut是一个ARMA(1, 1)过程，则估计式的EViews 估计命令是: Y c X AR(1) MA(1) 应用1：用组合模型克服回归模型中的自相关。 1980:1~2002:4年香港季度GDPt序列（单位：港元）。 1980~1997年GDPt随时间呈指数增长。1997年由于遭受东南亚金融危机的影响，经济发展处于停滞状态，1998~2002年底GDPt总量几乎没有增长。另一个特征是GDPt 随时间呈递增型异方差。所以，用对数的季度GDPt数据（LnGDPt）建立季节时间序列模型。 对LnGDPt进行一阶差分，得 DLnGDPt。DLnGDPt的平稳性得到很大改进，但其季节因素影响还很大。从 DLnGDPt的相关图和偏相关图也可以明显地看到这个特征。若对LnGDPt直接进行一次季节差分（四阶差分），得D4LnGDPt。其波动性也很大。D2LnGDPt显然是过度差分序列。 (-2.4) (13.2) (-7.9) (3.0) (-50.1) (67.7) (-36.7) R2=0.57 DW=2 F=16.2 DW(36)=19.043.8 第二节 回归与ARMA 组合模型 如果把回归模型和时间序列模型这两种分析方法结合在一起，有时会得到比其中任何一种方法都好的预测结果。 上述模型的估计式是： 当 存在自相关时，时间序列分析的一个有效应用是对残差序列 建立ARMA 模型。然后将上式中的残差 项用ARM