第5章-时间序列的模型识别.pptVIP

第五章 时间序列的模型识别 平稳序列的ARMA建模步骤 模型识别 用自相关图和偏自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 模型检验 包括参数的显著性检验和残差的随机性检验 模型优化 序列预测 ARMA模型定阶的方法 自相关和偏自相关系数法 F检验法 信息准则法 ACF和PACF定阶法 基本原则 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？ 样本相关系数的近似分布 Barlett： Quenouille： 95％的置信区间： 模型定阶的经验方法：利用2倍标准差辅助判断 模型定阶经验方法 1950年-1998年北京城乡居民定期储蓄比例 选择合适的ARMA模型拟合 可以考虑拟合模型为AR(1) 连续读取70个化学反应数据 可以尝试使用AR(1)，MA(1)和ARMA(1,1)模型拟合该序列 ARMA模型定阶的方法 自相关和偏自相关系数法 F检验法 信息准则法 ARMA模型定阶的方法 自相关和偏自相关系数法 F检验法 信息准则法 信息准则函数