平稳时间序列模型的建立教材.ppt

第三章 平稳时间序列模型的建立 第三章 平稳时间序列模型的建立 第一节 采集、直观分析和特征分析 时间序列的建模流程 直观分析 直观分析包括：离群点的检验和处理，缺损值的补足，指标计算范围的统一等等. 离群点(outlier)：指一个时间序列中远离序列一般水平的极端大值和极端小值。通常是由于系统外部干扰而形成的，可以根据序列值与平滑值两者间的差异来判断. 缺损值(missing value)：指在采集时间序列时，由于仪器故障、操作失误、观察问题等种种原因引起在某些观测点上未能记录的观察值. 特征分析 定义： 特征分析就是在对数据序列进行建模之前，通过从时间序列中计算出一些有代表性的特征参数，用以浓缩、简化数据信息，以利于数据的深入处理，或通过概率直方图和正态性检验分析数据的统计特征. 特征参数包括： 位置特征参数，散度特征参数，分布特征参数 位置特征参数 样本均值： 极小值： 极大值： 散度特征参数 极差： 样本方差： 样本标准差： 分布特征参数 偏度： 峰度： 标准偏度系数： 标准峰度系数： 第二节 时间序列的相关分析 第三节 平稳时间序列的零均值处理 ARMA模型：自回归移动平均模型 中心化ARMA(p,q)模型 非中心化ARMA(p,q)模型 ARMA模型：自回归移动平均模型 中心化ARMA(p,q)模型 非中心化ARMA(p,q)模型 第四节 平稳时间序列的模式识别 模型定阶的困难 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 或 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k→∞， 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，什么情况下该看作拖尾呢？ 模型定阶经验方法 1950年-1998年北京城乡居民定期储蓄比例 尝试拟合 AR(1)模型 连续读取70个化学反应数据 第五节 平稳序列模型参数的矩估计 第六节 平稳时间序列模型的定阶 由于自相关函数(ACF)和偏相关函数(PACF)定阶法具有很强的主观性，是一种较为粗略的方法，而最佳准则函数定阶法则可以帮助我们在一些所选的模型中选择相对最优的模型。 最佳准则函数法，即确定出一个准则函数。建模时按照信息准则函数的取值确定模型的优劣，以决定取舍，使准则函数达到极小的是最佳模型。 分类： AIC准则法 BIC准则法 AIC准则 背景： AIC准则是日本统计学家赤池Akaike于1973年提出的，全称为最小信息量准则，或AIC准则(Akaike information criterion)。该准则确定出一个准则函数，既考虑拟合模型对原始数据的拟合程度，也考虑模型中所含待定参数的个数，适用于ARMA模型的检验。 AIC准则函数： AIC=-2ln(模型的极大似然度)+2(模型的独立参数个数) AIC准则用于ARMA模型的定阶 对于中心化的ARMA(p,q)模型：N为样本容量 对于非中心化的ARMA(p,q)模型： AIC准则的说明 对于中心化的ARMA(p,q)模型：N为样本容量 说明： 第一项：体现了模型拟合的好坏，它随着阶数的增大而减小； 第二项：体现了模型参数的多少，它随着阶数的增大而变大。 BIC准则 AIC准则是样本容量N的线性函数，在N→∞时不收敛于真实模型，它通常比真实模型所含的未知参数要多，是过相容的。 为了弥补AIC准则的不足，Akaike于1976年提出BIC准则，而Schwartz在1978年根据Bayes理论也得出同样的判别标准，称为SC准则。理论上已证明，SC准则是最优模型的真实阶数的相合估计。 AIC与BIC准则 对于中心化的ARMA(p,q)模型：N为样本容量 AIC与BIC准则 第七节 平稳时间序列模型的检验 平稳序列的ARMA建模步骤 模型识别：用自相关图和偏相关图识别模型形式 (p=? q=?) 参数估计：确定模型中的未知参数 模型的定阶：用AIC和SC准则进行模型定阶 模型检验： 模型的适应性检验 参数的显著性检验 序列预测 模型的适应性检验 目的 检验模型的有效性------对信息的提取是否充分 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列； 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效。 检验对象 残差序列的纯随机性检验 模型的适应性检验 即为残差序列的纯随机性检验 ARMA模型的检验 参数显著性检验 目的：检验模型的每一个未知参数是