课件平稳时间序列模型的建立.pptVIP

第三节 模型参数估计 一、模型参数估计的几种方法 二、模型参数的相关矩估计 常用的参数估计方法有： 矩估计、极大似然估计、贝叶斯估计、 最小二乘估计等 二、模型参数的相关矩估计 1. 矩估计： 用样本矩去估计总体相应的矩。 是一种简单粗略的估计，但可提供迭代估计时的初值 优点：简单易懂，便于计算 缺点：有效性和精度不够 2. 模型参数的矩估计(初估计) （1）AR模型参数的矩估计 根据Yule-Walker方程 可以得到： 又有 又有： 可得： 例1：求AR(1)模型参数的矩估计 （2）MA模型参数的矩估计 在第三章考察模型的自协方差时我们得到： 这是一个由m+1个方程构成的非线性方程组。 常用的求解方法有三种：直接法、线性迭代法和Newton-Raphson算法。 例：求MA(1) 模型参数的矩估计 （3）ARMA模型参数的矩估计 是否能利用Yule-Walker方程？为什么？ ARMA(m,n)模型： 一般矩估计的方法： 例：ARMA(1,1)模型参数的矩估计 第四节 模型的适应性检验 模型的适应性检验： 模型是否完全或基本上解释了系统的动态性； at是否是一白噪声序列； 关键是at的独立性检验 本节主要介绍的模型适应性检验的方法有： 一、 散点图法 二、估计相关系数法 三、 F检验 四、 检验法 一、 散点图法 通过at对at-j和at对Xt-j的散点图检验at 二、估计相关系数法 计算at和at-j的相关系数以及at和Xt-j的相关系数，通过相关系数来判断 上述方法简单直观但均有一定的主观性，较粗略。 三、 F检验 通过检验高低阶模型的显著性来反映at是否独立 可以证明，当阶数不够时， 是不独立的。 若 是不独立，一定可以通过增加阶数来提高模型的解释能力。 例： 四、 检验法 将at的自相关函数记为 可以证明，当N很大时，有 因此有： 令Q＝ 若Q大于临界值，落入拒绝域，拒绝原假设，认为模型是不适合的。 第五节 建模的其它方法 一、Pandit-Wu建模法 二、用长阶自回归建立近似模型 一、Pandit-Wu建模法 1. 背景： Box－Jenjes法的弱点使人们不断寻求更好的建模方法，吴贤铭和Pandit提出动态数据系统DDS－Dynamic Data System 2. 思想： 用ARMA(n,n-1)模型拟合Xt，逐渐增加阶数，检验显著性从而确定模型形式。 3. 基本步骤： 用一个ARMA(n,n-1)模型逼近序列Xt （1）从ARMA(2,1)开始拟合序列，两阶两阶逐渐增加阶数，即按ARMA(2n,2n-1)，n＝1，2，…方式进行拟合； （2）对ARMA(2n+2,2n+1)和ARMA(2n,2n-1)作F检验 （3）若显著，继续取高阶进行，若不显著，检验 是否显著为零，置信区间是否包含零， 对ARMA(2n-1,2n-2)和ARMA(2n,2n-1)作F检验。 4. 两阶两阶增加阶数的原因： （1）方便快捷； （2）包含单阶增加模型； （3）从复根角度来考虑更合理。 二、用长阶自回归建立近似模型 1．原理： Box－Jenkins建模法和Pandit-Wu建模法都存在ARMA、MA模型而使参数估计较为繁琐和困难 任一序列都可用一个足够高阶的自回归模型来逼近到我们想要的精度 2. 步骤： （1）零均值化 （2）建立AR(2n)模型，n从1开始取起，两阶两阶的增加模型阶数，直至达到所要求的精度。 （3）根据拟合的AR模型求模型ARMA(n,n-1) （4）可逆性及适应性检验 注意的问题： 1.AR(p)的阶数：到底用多少阶的自回归模型去拟合？ 有两种方法： （1）考虑精度 （2）根据样本长度 常用的有[lnN]=p 2.AR(2n) ARMA(n,n-1)， 为什么是ARMA(n,n-1)？ ARMA(n,n-1)是一般形式，具体的模型形式得看实际情况和检验结果 例1：n＝2，AR(4)模型转化为ARMA(2,1)模型 5.模型识别： （1）计算样本自相关函数和样本偏自相关函数，得ACF和PACF图； （2）判断其截尾、拖尾性 （3）得试探性模型 6.模型定阶： （1）残差方差图定阶 （2）F检验 * 第四章 平稳时间序列模型的建立 * 第四章 平稳时间序列模型的建立 时间序列分析 第四章 平稳时间序列模型的建立 第四章 平稳时间序列模型的建立 共分六节： ※第一节 模型识别 ※第二节 模型定阶 ※第三节 模型参数估计 ※第四节