计量学1-自回归移动平均模型分析.ppt

自回归移动平均模型分析 本章介绍自回归移动平均模型分析，包括平稳时间序列的自回归移动平均模型分析的思路、模型识别、参数估计、检验和预测，以及非平稳时间序列的自回归求积移动平均模型分析。 第一节 自回归移动平均模型 第二节 自回归移动平均模型的识别 第三节 自回归移动平均模型的估计 第四节 ARMA模型检验和预测 第一节 自回归移动平均模型 一、时间序列分析的BJ方法论 Box和Jenkins在《时间序列分析：预测和控制》中提出，时间序列的本质特征就是相邻观测值的依赖性，大部分平稳时间序列可以用一系列自回归移动平均随机过程加以模拟。 这引出了时间序列分析的一种重要思路——通过时间序列数据背后生成数据的自回归移动平均过程模型进行分析。 这种时间序列分析方法被称为“BJ方法论”，属于时域分析方法，是现代时间序列计量经济学最重要的方法论之一。 时间序列分析BJ方法论的理论基础 时间序列数据可以看作由一些离散型随机过程生成的，是特定离散型随机过程的一次实现，时间序列数据的性质由生成它们的随机过程决定，因此可以通过识别和分析时间序列背后的随机过程模型，进行时间序列数据的分析和预测。 运用BJ方法论进行应用分析包括四个步骤： 1、识别 根据各种时间序列模型的理论特征，对时间序列数据进行分析，确定适当的初步模型，包括模型类型及其阶数，就是找出ARMA模型适当的p、q值； 2、估计 用适当的参数估计方法，估计初步设定模型的相关参数值，包括自回归和移动平均系数和白噪声的方差等； 3、诊断 对模型进行校验，包括检验模型的拟合程度，检验设定模型的合理性和阶数是否正确等，并进一步调整修改模型，确定模型和精确估计参数； 4、预测和控制 利用所得到的模型进行预测分析，包括静态预测和动态预测，多步预测等，利用模型进行控制。预测本身也是对模型的进一步检验。 二、自回归移动平均模型 （一）移动平均模型（moving average process, MA） 移动平均过程就是一个白噪声过程不同时间随机变量的加权和。 最简单的移动平均过程是当期和前一期白噪声的加权和： 这种移动平均过程称为“一阶移动平均过程”，记为MA(1)。 较复杂的移动平均过程可以包括多个甚至无限个滞后项的加权和，例如： 这些模型分别记为MA(2)、MA(q)和MA(∞)。 引进滞后算子L（ ），移动平均模型可分别表示为： （二）自回归模型（autoregressive process，AR） 时间序列的当前值取决于其自身若干期或无限期前期水平。 自回归过程同样有一阶、二阶、阶或无穷阶自回归模型，分别记为AR(1)、AR(2)、AR()和AR(∞)，表达式分别为 引进滞后算子表示方法，上述AR模型则可以分别表示为： （三）自回归滑动平均模型 既包含一系列白噪声扰动的加权平均，也包含时间序列本身滞后项加权平均的混合时间序列过程。这样的过程称为“自回归移动平均过程”，记为ARMA。 最简单的自回归移动平均过程包括一阶自回归项和一阶移动平均项，即 记为ARMA(1,1)。 一般的自回归移动平均过程包括p阶自回归和q阶移动平均，即 也可以写成 其中 ，记为ARMA(p,q)。 （四）自回归求积移动平均模型（autoregressive integrated moving average process, ARIMA） 对于非平稳的时间序列，可以先利用单积（差分）方法把它们转化成平稳序列，然后再利用平稳时间序列的ARMA模型进行分析。 一个经单位根检验确定为非平稳的时间序列，运用单积分析判定经d次差分后变为平稳的，那么该经过d次差分得到的序列就可进一步用ARMA(p,q)中某一种模型来表示。这时原时间序列被记为ARIMA(p,d,q)，其中d是单积阶数，p是自回归阶数，q是移动平均阶数。 三、ARMA模型平稳和可逆的条件 （一）移动平均模型的平稳和可逆条件 1、MA(1)模型 （1）平稳性条件 根据MA(1)模型的定义和白噪声序列的性质，很容易知道对MA(1)模型满足： MA(1)的均值、方差和 和 时自协方差都是不随时间变化的常数。根据时间序列的平稳性可知，MA(1)模型是协方差平稳的。 （2）可逆性 移动平均过程的可逆性指移动平均过程的扰动，可以反过来用时间序列的当前和过去水平表示，从而移动平均过程可以转化为自回归过程。 把MA(1)模型 改写成： 或 通过迭代可得到 也可以写成： 只有当