计量经济学课件§9.2 随机时间序列分析模型.pptVIP

用建立的AR(2)模型对中国支出法GDP进行外推预测。 模型1可作如下展开： 于是，当已知t-1、t-2、t-3期的GDP时，就可对第t期的GDP作出外推预测。 模型3的预测式与此相类似，只不过多出一项常数项。 对2001年中国支出法GDP的预测结果（亿元） 预测值 实际值 误差 模型1 95469 95933 -0.48% 模型3 97160 95933 1.28% 由于中国人均居民消费（CPC）与人均国内生产总值（GDPPC）这两时间序列是非平稳的，因此不宜直接建立它们的因果关系回归方程。 但它们都是I(2)时间序列，因此可以建立它们的ARIMA(p,d,q)模型。 下面只建立中国人均居民消费（CPC）的随机时间序列模型。 中国人均居民消费（CPC）经过二次差分后的新序列记为CPCD2，其自相关函数、偏自相关函数及Q统计量的值列于下表： 例9.2.4 中国人均居民消费的ARMA(p,q)模型 在5%的显著性水平下，通过Q统计量容易验证该序列本身就接近于一白噪声，因此可考虑采用零阶MA(0)模型: 由于k=2时，|r2|=|-0.29| 因此,也可考虑采用下面的MA模型： 当然，还可观察到自相关函数在滞后4、5、8时有大于0.2的函数值，因此，可考虑在模型中增加MA(4)、MA(5)、MA(8)。不同模型的回归结果列于表9.2.5。 可以看出:在纯MA模型中，模型4具有较好的性质，但由于MA(5)的t检验偏小，因此可选取模型3。 最后，给出通过模型3的外推预测。 模型3的展开式为： 即 由于?t表示预测期的随机扰动项，它未知，可假设为0，于是t期的预测式为: 为模型3中滞后2期与滞后4期的相应残差项的估计值。 表9.2.6列出了采用模型3对中国居民人均居民消费水平的2期外推预测。 为了对照，表中也同时列出了采用§2.10的模型的预测结果。 对MA(1)过程 2、MA(q)过程 可容易地写出它的自协方差系数： 于是，MA(1)过程的自相关函数为： 可见，当k1时，?k0，即Xt与Xt-k不相关，MA(1)自相关函数是截尾的。 MA(1)过程可以等价地写成?t关于无穷序列Xt，Xt-1，…的线性组合的形式： 或 （*） (*)是一个AR(?)过程，它的偏自相关函数非截尾但却趋于零，因此MA(1)的偏自相关函数是非截尾但却趋于零的。 注意: (*)式只有当|?|1时才有意义，否则意味着距Xt越远的X值，对Xt的影响越大，显然不符合常理。 因此，我们把|?|1称为MA(1)的可逆性条件（invertibility condition）或可逆域。 其自协方差系数为 一般地，q阶移动平均过程MA(q) 相应的自相关函数为 可见，当kq时， Xt与Xt-k不相关，即存在截尾现象，因此，当kq时， ?k=0是MA(q)的一个特征。 于是：可以根据自相关系数是否从某一点开始一直为0来判断MA(q)模型的阶。 与MA(1)相仿，可以验证MA(q)过程的偏自相关函数是非截尾但趋于零的。 MA(q)模型的识别规则：若随机序列的自相关函数截尾，即自q以后，?k=0（ kq）；而它的偏自相关函数是拖尾的，则此序列是滑动平均MA(q)序列。 同样需要注意的是：在实际识别时，由于样本自相关函数rk是总体自相关函数?k的一个估计，由于样本的随机性，当kq时，rk不会全为0，而是在0的上下波动。但可以证明，当kq时，rk服从如下渐近正态分布: rk~N(0,1/n) 式中n表示样本容量。 因此，如果计算的rk满足： 我们就有95.5%的把握判断原时间序列在q之后截尾。 ARMA(p,q)的自相关函数，可以看作MA(q)的自相关函数和AR(p)的自相关函数的混合物。 当p=0时，它具有截尾性质； 当q=0时，它具有拖尾性质； 当p、q都不为0时，它具有拖尾性质 从识别上看，通常： ARMA(p，q)过程的偏自相关函数（PACF）可能在p阶滞后前有几项明显的尖柱（spikes），但从p阶滞后项开始逐渐趋向于零； 而它的自相关函数（ACF）则是在q阶滞后前有几项明显的尖柱，从q阶滞后项开始逐渐趋向于零。 3、ARMA(p, q)过程 四、随机时间序列模型的估计 AR(p)、MA(q)