预测与决策教程Chap5-随机型时间序列预测方法.ppt

MA(q)模型的迭代算法 对于q1的MA(q)模型，一般用迭代算法估计参数： 由（*）式得 第一步，给出 的一组初值，比如 代入（**）式，计算出第一次迭代值 （**） 5.4.1 矩估计 第二步，将第一次迭代值代入（**）式，计算出第二次迭代值 按此反复迭代下去，直到第m步的迭代值与第m-1步的迭代值相差不大时（满足一定的精度），便停止迭代，并用第m步的迭代结果作为（**）的近似解。 5.4.1 矩估计 （3）ARMA(p,q)模型的矩估计 在ARMA(p,q)中共有(p+q+1)个待估参数?1,?2,?,?p与?1,?2,?,?q以及??2，其估计量计算步骤及公式如下： 第一步，估计?1,?2,?,?p 是总体自相关函数的估计值，可用样本自相关函数rk代替。 5.4.1 矩估计 第二步，改写模型，求?1,?2,?,?q以及??2的估计值 将模型 改写为： 令 于是(*)可以写成： (*) 构成一个MA模型。按照估计MA模型参数的方法，可以得到?1,?2,?,?q以及??2的估计值。 5.4.1 矩估计 5.4.2最小二乘估计 假设模型AR(p)的参数估计值已经得到，即有 残差的平方和为： (*) 根据最小二乘原理，所要求的参数估计值是下列方程组的解： 即 j=1,2,…,p (**) 解该方程组，就可得到待估参数的估计值。 为了与AR(p)模型的Yule Walker方程估计进行比较，将(**)改写成： j=1,2,…,p 由自协方差函数的定义，并用自协方差函数的估计值 代入，上式表示的方程组即为： 或 j=1,2,…,p j=1,2,…,p 5.4.2最小二乘估计 解该方程组，得到： 即为参数的最小二乘估计。 Yule Walker方程组的解 比较发现，当n足够大时，二者是相似的。 ??2的估计值为： 5.4.2最小二乘估计 5.4.3极大似然估计 这两种方法的估计精度较高，因而一般称为模型参数的精估计。计算方法较为复杂，一般都有现成计算程序（软件）。 如9例，对某车站1993-1997年各月的列车运行数量建立的MA(2)模型参数进行最小二乘估计，SPSS输出结果如下： 需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。 如果包含常数项，该常数项并不影响模型的原有性质，因为通过适当的变形，可将包含常数项的模型转换为不含常数项的模型。 下面以一般的ARMA(p,q)模型为例说明。 对含有常数项的模型 方程两边同减?/(1-?1-?-?p)，则可得到 其中 5.4.3极大似然估计 5.5 模型的检验与预报 5.5.1模型的检验 5.5.2模型的预报 对于白噪声序列，其关键数值特征为 。 5.2.1AR(p)序列的自相关函数 5.2.2 MA(q)序列的自相关函数 截尾性 注意到 是白噪声序列， 5.2.2 MA(q)序列的自相关函数 即， 在 之后全为0。 ——截尾性（特有） 5.2.2 MA(q)序列的自相关函数 5.2.2 MA(q)序列的自相关函数 MA(q)模型参数的估计 取 ，亦可求出参数 。 5.2.2 MA(q)序列的自相关函数 5.2.3ARMA(p,q)序列的自相关函数 自相关函数的拖尾性 条件： 即， k q 时，对所有的i = 0,1,2,…,q, 于是， 时 这样，ARMA(p,q) 序列具有拖尾性。 自相关函数具有拖尾性 ARMA序列，AR(p)序列 自相关函数具有截尾性 MA(q)序列 5.2.3ARMA(p,q)序列的自相关函数 在 中，令 ，得一方程组，从中求出 。 1） 的求法 2） 及 的求法 令 为MA(q) 序列。 若已知自协方差函数 ，即可求出 及 。 ARMA(p,q)模型参数的求法 5.2.3ARMA(p,q)序列的自相关函数 5.2.4偏自相关函数 已介绍了AR(p)、MA(q)、ARMA(p,q) 模型的自相关函数， MA(q)模型的自相关函数截尾， AR(p)与ARMA(p,q)模型均具有拖尾性质。这样，尚不足于识别序列的实在模型，还须寻找序列另外的统计特征。 思路： 对于AR(p)模