- 1、本文档共18页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第五章 时间序列的模型识别
前面四章我们讨论了时间序列的平稳性问题、可逆性问题,关于线性平稳时间序列模型,引入了自相关系数和偏自相关系数,由此得到ARMA(p, q)统计特性。从本章开始,我们将运用数据开始进行时间序列的建模工作,其工作流程如下:
模型识别
模型识别
用相关图和偏相关图识别模型
形式(确定参数 p, q)
参数估计
参数估计
对初步选取的模型进行参数估计
诊断与检验
诊断与检验
包括参数的显著性检验和
残差的随机性检验
不可取模型是否可取吗
不可取
模型是否可取吗
可取
可取
停止
停止
图5.1 建立时间序列模型流程图
在ARMA(p,q)的建模过程中,对于阶数(p,q)的确定,是建模中比较重要的步骤,也是比较困难的。需要说明的是,模型的识别和估计过程必然会交叉,所以,我们可以先估计一个比我们希望找到的阶数更高的模型,然后决定哪些方面可能被简化。在这里我们使用估计过程去完成一部分模型识别,但是这样得到的模型识别必然是不精确的,而且在模型识别阶段对于有关问题没有精确的公式可以利用,初步识别可以我们提供有关模型类型的试探性的考虑。
对于线性平稳时间序列模型来说,模型的识别问题就是确定ARMA(p,q)过程的阶数,从而判定模型的具体类别,为我们下一步进行模型的参数估计做准备。所采用的基本方法主要是依据样本的自相关系数(ACF)和偏自相关系数(PACF)初步判定其阶数,如果利用这种方法无法明确判定模型的类别,就需要借助诸如AIC、BIC 等信息准则。我们分别给出几种定阶方法,它们分别是(1)利用时间序列的相关特性,这是识别模型的基本理论依据。如果样本的自相关系数(ACF)在滞后q+1 阶时突然截断,即在q处截尾,那么我们可以判定该序列为MA(q)序列。同样的道理,如果样本的偏自相关系数(PACF)在p处截尾,那么我们可以判定该序列为AR(p)序列。如果ACF和PACF 都不截尾,只是按指数衰减为零,则应判定该序列为ARMA(p,q)序列,此时阶次尚需作进一步的判断;(2)利用数理统计方法检验高阶模型新增加的参数是否近似为零,根据模型参数的置信区间是否含零来确定模型阶次,检验模型残差的相关特性等;(3)利用信息准则,确定一个与模型阶数有关的准则函数,既考虑模型对原始观测值的接近程度,又考虑模型中所含待定参数的个数,最终选取使该函数达到最小值的阶数,常用的该类准则有AIC、BIC、FPE等。实际应用中,往往是几种方法交叉使用,然后选择最为合适的阶数(p,q)作为待建模型的阶数。
§5.1 自相关和偏自相关系数法
在平稳时间序列分析中,最关键的过程就是利用数据去识别和建模,根据第三章讨论的内容,一个比较直观的方法,就是通过观察自相关系数(ACF)和偏自相关系数(PACF)可以对拟合模型有一个初步的识别,这是因为从理论上说,平稳AR、MA和ARMA模型的ACF和PACF有如下特性:
模型(序列)
AR(p)
MA(q)
ARMA(p,q)
自相关系数(ACF)
拖尾
q阶截尾
拖尾
偏自相关系数(PACF)
p阶截尾
拖尾
拖尾
但是,在实际中ACF和PACF是未知的,对于给定的时间序列观测值,我们需要使用样本的自相关系数和偏自相关系数对其进行估计。然而由于和均是随机变量,对于相应的模型不可能具有严格的“截尾性”,只能呈现出在某步之后围绕零值上、下波动,因此,我们需要借助和的“截尾性”来判断和的截尾性,进而由此可以给出模型的初步识别。首先,我们需要给出样本的自相关系数和偏自相关系数的定义。
设平稳时间序列的一个样本。则样本自协方差系数定义为
(5.1)
其中为样本均值,则样本自协方差系数是的自协方差系数的估计。样本自相关系数定义为
(5.2)
是的自相关系数的估计。
作为的自协方差系数的估计,根据数理统计知识,样本自协方差系数还可以写为
(5.3)
在上述两种估计中,当样本容量很大,而的绝对值较小时,上述两种估计值相差不大,其中由(5.1)定义的第一种估计值的绝对值较小。根据前面章节的讨论,因为AR(),MA()或者ARMA()模型的自协方差系数都是以负指数阶收敛到零,所以在对平稳时间序列的数据拟合AR(),MA()或者ARMA()模型时,希望实际计算的样本自协方差系数能以很快的速度收敛。因此,我们一般选择由(5.1)定义的第一种估计值作为的点估计。
根据第三章偏自相关系数的计算,利用样本自相关系数的值,定义样本偏自相关系数如下:
(5.4)
其中
关于样本的自相关系数的统计性质,
文档评论(0)