线性时间序列剖析及其的应用.pptVIP

* 第一个式子中的估计量 称为 间隔为1的样本偏自相关函数，第二个式子中的估计 称为 的间隔为2的偏自相关函数，以此类推，它表示在AR（1）模型基础上添加的 对 的贡献，以此类推。 因此，对一个AR（p）模型，间隔为p的样本偏自相关函数不应为零，而对所有jp, 应接近于零。利用这一性质来决定阶p。 参数估计：普通二乘法 模型的检验：1、残差序列是白噪声 2、Ljung-Box统计量（混成检验） 2.4.3 拟合优度 衡量平稳模型拟合优度的一个常用的统计量是 统计量，其定义为： 对于平稳AR（p）模型,假设有t个观测： 越大，表示模型对数据拟合得越好。 2.4.4 预测 预测是时间序列分析中一个重要应用，假定我们在时间指标为h的点上，要预测 ，则时间指标h为预测原点，l为预测步长。 可以证明：对平稳AR（p）序列，具有均值回转的性质， 即当 2.5.1 MA模型的性质 1．MA模型总是弱平稳的， 2． 3. 自相关函数 MA（q）序列只与前q个延迟值线性相关，是一个有限记忆模型。 4．可逆性 2.6.3 识别ARMA模型 可用推广的自相关函数(EACF)来确定ARMA过程的阶.思路是:如果能得到ARMA模型AR部分的相合估计