时间序列模型的构建和预测.docx

时间序列模型的构建和预测 Box Jenkins Methodology) 步骤 1：识别。观察相关图和偏相关图 步骤 2：估计。估计模型中所包含的自回归系数和 移动平均系数，可以用 OLS 来估计 步骤 3：诊断检验。选一个最适合数据的模型，检 查从这模型中估计到的残差是否白噪声， 如果不是 的话，我们必须从头来过 步骤 4 ：预测。在很多情况下， 这种方法得到的预 测结果要比其它计量模型得到的要准确 识别 检查时间序列是否平稳 - 如果自相关函数衰退的很慢，则序列可能是非平稳 - 如果时间序列为一非平稳过程，应该运用差分的形 式使它变为平稳过程 - 在检验了一个时间序列的平稳性之后，我们应该用相 关图和偏相关图检验ARMA模型中的阶数p和q 模 型 ARIMA（1,1,1） .■: xt = ■ 1. xt-1 + ut + rut-1 自相关函数特征 缓慢地线性衰减 偏自相关函数特征 AR（ 1） xt = -1 Xt-1 + ut 右；1 0，平滑地指数衰减 若-11 0，k=1时有正峰值然后截尾 MA （ 1） Xt = Ut + 71 Ut-1 AR（ 2） xt = ；1 xt-1 + 2 Xt-2 + ut 若;i 0，正负交替地指数衰减 若71 0，k=1时有正峰值然后截尾 若71 0，k=1时有负峰值然后截尾 指数或正弦衰减 若-11 0，k=1时有