时间序列随机性分析.pptVIP

第3讲 时间序列的随机性分析 * * * * * * * * * * * * * * * * * * * * 2.MA(q)模型的统计性质 可以证明：MA(q)模型的自相关系数在q阶处具有截尾性，而偏相关系数具有托尾性. 3.2.2 MA(q)模型 3.2 平稳时间序列分析 3.2.3 ARMA(p,q)模型 1.ARMA(p,q) Model 自回归移动平均模型ARMA(p,q)： 2.ARMA(p,q) 模型的统计性质 可以证明，ARMA(p,q)模型的自相关系数和偏自相关系数都具有拖尾性。 3.2 平稳时间序列分析 (3.15) 1.ARMA模型的估计 ARMA模型的估计方法有：最小二乘估计、矩估计、最大似然估计等。 2.ARMA模型的检验 ARMA模型的检验有： （1）模型平稳性检验：检验特征根是否在单位圆内； （2）参数显著性检验：检验参数是否显著； （3）模型的拟合检验：检验模型的拟合效果； （4）模型残差的检验：检验是否为白噪声序列。 3.2.4 ARMA(p,q)模型的估计与检验 3.2 平稳时间序列分析 AIC准则的缺陷：在样本容量趋于无穷大时，由AIC准则选择的模型不收敛于真实模型，它通常比真实模型所含的未知参数个数要多. 3.模型的优化 由于平稳AR模型和平稳MA模型的互逆性，对同一时间序列，可能存在多个通过检验的ARMA模型. （1）最小信息量准则(AIC) 指导思想:似然函数值越大越好，未知参数的个数越少越好. 3.2.4 ARMA(p,q)模型的估计与检验 3.2 平稳时间序列分析 (3.16) （2）SBC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. 3.2.4 ARMA(p,q)模型的估计与检验 AIC和SC越小模型越好！ 一般地，ARMA模型的拟合优度都比较小，所以R2=0.2是正常的。对于两个都通过检验的模型，首先选择R2大的模型，在R2比较接近的情况下，选择SBC\AIC小的模型。 3.2 平稳时间序列分析 (3.17) 1. 平稳性和白噪声检验 ARMA是针对平稳非白噪声序列进行建模，所以在建模之初，需要对时间序列进行平稳性检验和白噪声检验，只有平稳且非白噪声序列才可以建立ARMA模型.有的非平稳序列可通过差分运算转化为平稳序列. 3.2.5 平稳序列建模 3.2 平稳时间序列分析 2. 模型识别 模型识别的方法（也即模型的定阶方法）。 （1）AR(p)模型的识别方法：理论上，由于AR(p)的偏向关系数在p阶处具有截尾性，所以可以利用此性质给AR(p)定阶。 2. 模型识别 （2）MA(q)模型的识别方法：理论上，由于MA(q)的自相关系数在q阶处具有截尾性，所以可以利用此性质给MA(q)模型定阶。 3.2.5 平稳序列建模 3.2 平稳时间序列分析 （3）ARMA模型的识别方法：由于ARMA模型的自相关系数和偏相关系数都是拖尾的，所以理论上ARMA模型不能够用截尾性来定阶。在实际中可以依次对(1,1)、 (2,1)、 (1,2)、 (2,2)、 (3,2)、 (2,3)、 (3,3)、…阶模型进行拟合，选择最好的模型. 实践中，使用的都是较低阶的模型，所以可以不对AR(p)，MA(q)和ARMA(p,q)模型进行预先识别，而是先设定一个较高阶的模型，然后进行拟合，逐次剔除不显著的项，最后得到一个理想的模型。 3. 模型的估计与检验 4.模型的优化 5. 模型的应用 3.2.5 平稳序列建模 3.2 平稳时间序列分析 3.2.6 实例分析