人大《统计学》第十一章 时间序列分析.pptVIP

§4.1 ARIMA模型简介 根据非平稳时间序列的不同特点，采取合适的差分运算实现其平稳： 如果序列具有明显的线性趋势，1阶差分可以实现趋势平稳； 如果序列具有曲线趋势，通过2阶或低阶差分可实现平稳化； 如果序列变化具有季节性且波动周期为s，可以选择s步差分消除季节性波动的影响； 如果差分后可以转换成平稳时间序列，也可以使用ARMA模型建模，所建模型记为 ，其中d为差分阶数。 * §4.2 时间序列的自相关分析 1．自相关系数和偏自相关系数 期自相关系数反映时间序列间隔 期的观测值之间的相关程度，其计算公式为： n表示时间序列的观测值个数， 表示间隔时期数， 表示时间序列的观测值均值。自相关系数的取值范围是-1到1。 越接近1，时间序列间隔k期的观测值相关程度越大。 * §4.2 时间序列的自相关分析 期偏自相关系数描述在剔除中间观测值影响后间隔 期的观测值之间的相关程度，其计算公式为： 这里 ， 表示间隔时期数， 表示自相关系数。偏自相关系数的取值范围也是-1到1。 接近1，说明在中间观测值一定的条件下，时间序列间隔 期的观测值相关程度越大。 * §4.2 时间序列的自相关分析 2．自相关分析图 展示自相关系数和偏自相关系数的图称为自相关分析图；自相关分析图的横坐标表示间隔期数 ，纵坐标表示间隔 期的自相关系数或偏自相关系数值； * 图11.9 中国第三产业增加值序列的自相关分析图 §4.2 时间序列的自相关分析 自相关分析图在ARIMA模型的建模中的作用 （1）平稳性检验 （2）纯随机性检验 （3）模型的识别 * §4.2 时间序列的自相关分析 （1）平稳性检验 * §4.2 时间序列的自相关分析 （2）纯随机性检验 * 图11.10 纯随机序列的自相关系数图 §4.2 时间序列的自相关分析 （3）模型的识别 截尾 如果自相关系数和偏自相关系数在最初的 步比较显著，之后迅速衰减为0附近的随机波动，则视为 步截尾。 拖尾 如果自相关系数衰减到0速度非常缓慢，就视为拖尾。 * §4.3 ARIMA模型的建模 ARIMA模型的建模步骤 1．时间序列的预处理 2．模型的建立及估计 3．模型筛选及预测 * §4.3 ARIMA模型的建模 1．时间序列的预处理 平稳性检验 平稳性检验主要根据自相关图法进行判断，另外，也可以适当结合时间序列的图形来判断: 对非平稳时间序列，可以结合差分运算（可以反复尝试）和平稳性检验进行平稳化处理。 非随机性检验 在时间序列差分平稳后，还需要根据自相关图进行非纯随机性检验； 时间序列的非纯随机性保证了时间序列还有相关性信息可以提取。 * §4.3 ARIMA模型的建模 2．模型的建立及估计 1. 根据自相关系数和偏自相关系数的模型判别准则，初步判断模型的类型和阶数; 2. 对模型的参数进行估计 估计方法有矩估计、极大似然估计和最小二乘估计等，这里不再详细介绍； 3. 需要对参数和模型进行显著性检验 * §4.3 ARIMA模型的建模 3．模型筛选及预测 常用的筛选方法： 采用BIC信息准则判断，选取使BIC值达到最小的模型 采用MAPE 、MSE判断，值越小，模型的预测误差越小 将原序列与预测序列一起作图比较，通过图像可以大致判断拟合模型和原序列的差距，选择拟合差距最小的模型。 * §4.3 ARIMA模型的建模 【例11.13】表11.12 中是我国1978 -2007年的国内生产总值，试采用ARIMA模型预测2008年的国内生产总值。 表11.12 国内生产总值序列 单位：亿元 * §4.3 ARIMA模型的建模 解：（1）根据自相关系数进行平稳性检验。如图11.11所示，自相关系数在滞后16期时仍落入置信区间外，可以判断原序列是非平稳序列。考虑采用差分平稳化。 * 图11.11 序列的自相关图 §4.3 ARIMA模型的建模 * 图11.12 一阶差分序列的自相关图和偏自相关图 §4.3 ARIMA模型的建模 表11.13 ARIMA(3,1,1)参数估计SPSS输出结果 表11.14 ARIMA(1,1,1)参数估计SPSS输出结果 * §4.3 ARIMA模型的建模 我国国内生产总值序列的模型为 模型的显著性检验结果如表11.15所示，模型显著成立。检验模型的有效性检验结果如图11.13所示，可以看到残差序列的信息已经被充分提取。 表11.15 ARIMA(1,1,1)模型拟合显著性检验 * §4.3 ARIMA模型的建模 * 图11.13