平稳时间序列分析培训课程.ppt

例2.2:考察如下MA模型的相关性质 MA模型的自相关系数截尾 MA模型的自相关系数截尾 MA模型的偏自相关系数拖尾 MA模型的偏自相关系数拖尾 ARMA模型的定义 具有如下结构的模型称为自回归移动平均模型，简记为 特别当 时，称为中心化 模型 系数多项式 引进延迟算子，中心化 模型又可以简记为 阶自回归系数多项式 阶移动平均系数多项式 ARMA(p,q)模型的统计性质 均值 协方差 自相关系数 ARMA模型的相关性 自相关系数拖尾 偏自相关系数拖尾 例2.3:考察ARMA模型的相关性 拟合模型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。 自相关系数和偏自相关系数拖尾性 样本自相关图 样本偏自相关图 ARMA模型相关性特征 模型 自相关系数 偏自相关系数 AR(P) 拖尾 P阶截尾 MA(q) q阶截尾 拖尾 ARMA(p,q) 拖尾 拖尾 2.3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 建模步骤 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 模型识别 基本原则 选择模型 拖尾 P阶截尾 AR(P) q阶截尾 拖尾 MA(q) 拖尾 拖尾 ARMA(p,q) 模型定阶的困难 因为由于样本的随机性，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 或 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 ， 与 都会衰减至零值附近作小值波动 ？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为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2.4 选择合适的模型ARMA拟合1950年——1998年北京市城乡居民定期储蓄比例序列。 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 所以可以考虑拟合模型为AR(1) 例2.5 美国科罗拉多州某一加油站连续57天的OVERSHORT序列 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列自相关系数1阶截尾 偏自相关系数显示出典型非截尾的性质。 综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1) 例2.6 1880-1985全球气表平均温度改变值差分序列 序列自相关图 序列偏自相关图 拟合模型识别 自相关系数显示出不截尾的性质 偏自相关系数也显示出不截尾的性质 综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列 例2.4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2.5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：条件最小二乘估计 模型口径 例2.6续 确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 拟合模型：ARMA(1,1) 估计方法：条件最小二乘估计 模型口径 第二章 平稳时间序列分析 本章结构 方法性工具 ARMA模型 平稳序列建模 序列预测 2.1 方法性工具 差分运算 延迟算子 线性差分方程 差分运算 一阶差分 阶差分 步差分 延迟算子 延迟算子类似于一个时间指针，当前序列值