【时间序列分析】第5章 非平稳序列的随机分析.ppt

对数序列时序图 一阶差分后序列图 白噪声检验 延迟阶数 LB统计量 P值 6 3.58 0.7337 12 10.82 0.5441 18 21.71 0.2452 拟合模型口径及拟合效果图 5.6 条件异方差模型 ARCH模型 GARCH模型 GARCH模型的变体 EGARCH模型 IGARCH模型 GARCH-M模型 AR-GARCH模型 ARCH模型 假定 原理 通过构造残差平方序列的自回归模型来拟合异方差函数 ARCH(q)模型结构 GARCH 模型结构 使用场合 ARCH模型实际上适用于异方差函数短期自相关过程 GARCH模型实际上适用于异方差函数长期自相关过程 模型结构 GARCH模型的约束条件 参数非负 参数有界 EGARCH模型 IGARCH模型 GARCH-M模型 AR-GARCH模型 GARCH模型拟合步骤 回归拟合 残差自相关性检验 异方差自相关性检验 ARCH模型定阶 参数估计 正态性检验 例5.12 使用条件异方差模型拟合某金融时间序列。 回归拟合 拟合模型 参数估计 参数显著性检验 P值0.0001,参数高度显著 残差自相关性检验 残差序列DW检验结果 Durbin h=-2.6011 拟合残差自回归模型 方法：逐步回归 模型口径 异方差自相关检验 Portmantea Q检验 拉格朗日乘子（LM）检验 Portmantea Q检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 LM检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 例5.12残差序列异方差检验 ARCH模型拟合 定阶：GARCH(1,1) 参数估计：极大似然估计 拟合模型口径：AR(2)-GARCH(1,1) 模型检验 检验方法：正态性检验 假设条件： 检验统计量 检验结果 拒绝原假设 接受原假设 例5.13正态性检验结果 P值＝0.5603 AR(2)-GARCH(1,1)模型显著成立 拟合效果图 对季节效应的常用拟合方法 给定季节指数 建立季节自回归模型 例5.6续 使用Auto-Regressive模型分析1952年－1988年中国农业实际国民收入指数序列。 时序图显示该序列有显著的线性递增趋势，但没有季节效应，所以考虑建立如下结构的Auto-Regressive模型 趋势拟合 方法一：变量为时间t的幂函数 方法二：变量为一阶延迟序列值 趋势拟合效果图 残差自相关检验 检验原理 回归模型拟合充分，残差的性质 回归模型拟合得不充分，残差的性质 Durbin-Waston检验（DW检验） 假设条件 原假设：残差序列不存在一阶自相关性 备择假设：残差序列存在一阶自相关性 DW统计量 构造统计量 DW统计量和自相关系数的关系 DW统计量的判定结果 正 相 关 相 关 性 待 定 不相关 相 关 性 待 定 负 相 关 0 4 2 例5.6续 检验第一个确定性趋势模型 残差序列的自相关性。 DW检验结果 检验结果 检验结论 检验结果显示残差序列高度正自相关。 DW统计量的值 P值 0.1378 1.42 1.53 0.0001 Durbin h检验 DW统计量的缺陷 当回归因子包含延迟因变量时，残差序列的DW统计量是一个有偏统计量。在这种场合下使用DW统计量容易产生残差序列正自相关性不显著的误判 Durbin h检验 例5.6续 检验第二个确定性趋势模型 残差序列的自相关性。 Dh检验结果 检验结果 检验结论 检验结果显示残差序列高度自相关。 Dh统计量的值 P值 2.8038 0.0025 残差序列拟合 确定自回归模型的阶数 参数估计 模型检验 例5.6续 对第一个确定性趋势模型的残差序列 进行拟合 残差序列自相关图 残差序列偏自相关图 模型拟合 定阶 AR(2) 参数估计方法 极大似然估计 最终拟合模型口径 例5.6 第二个Auto－Regressive模型的拟合结果 三个拟合模型的比较 模型 AIC SBC ARIMA(0,1,1)模型： 249.3305 252.4976 Auto－Regressive模型一： 260.8454 267.2891 Auto－Regressive模型二： 250.6317 253.7987 5.4 异方差的性质 异方差的定义 如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差 异方差的影响 忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。 异方差直观诊断 残差图 残差平方图 残差图 方差齐性残差图