平稳时间序列模型概述.pptxVIP

第一章 平稳时间序列模型 组长：李国凤 组员：李俐芸 孙 炜 指导教师：桂文林本章结构方法 平稳序列建模序列预测 eviews软件演示 方法 AR模型（Auto Regression Model） MA模型（Moving Average Model） ARMA模型（Auto Regression Moving Average model） 时间序列的模型类型很多，我们这里只讨论平稳时间序列模型。这里讲的平稳是指宽平稳，其特性是序列的统计特性不随时间的平移而变化，即均值和协方差不随时间的平移而变化。 白噪声序列的性质纯随机性方差齐性各序列值之间没有任何相关关系，即为 “没有记忆”的序列 方差齐性 根据马尔可夫定理，只有方差齐性假定成立时，用最小二乘法得到的未知参数估计值才是准确的、有效的返回本节首页数据的平稳性一.图示判断1.平稳时间序列在图形上表现处围绕其均值不断波动的过程；2.根据相关图，若一个随机过程是平稳的，其特征根应都在单位圆外，倒数都在单位圆内；3.在分析相关图时，如果自相关函数衰减很慢，近似呈线性衰减，即可认为该序列是非平稳的。自回归AR模型具有如下结构的模型称为 阶自回归模型，简记为特别当 时，称为中心化 模型第一节 一阶自回归模型(Autoregressive Model)一、一阶自回归模型如果时间序列 后一时刻的行为主要与其前一时刻 的行为有关，而与其前一时刻以前的行为无直接关系，即一期记忆，也就是一阶动态性。 描述这种关系的数学模型就是一阶自回归模型: (2.1.1) 记作AR(1)。其中， 为零均值(即中心化处理后的)平稳序列. 为 对 的依赖程度， 为随机扰动。 1.一阶自回归模型的特点 分解为独立的两部分：一是依赖于 AR(1)模型也把 的部分；二是与 (独立正态同分布序列 )不相关的部分 2. AR(1)与普通一元线性回归的区别: (1)普通线性回归模型需要一组确定性变量值和相应的观测值； AR(1)模型只需要一组随机变量的观测值。 (2)普通线性回归表示一个随机变量对另一个确定性变量的依存 关系；而AR(1)表示一个随机变量对其自身过去值的依存关系。 (3)普通线性回归是静态模型；AR(1)是动态模型。(4)二者的假定不同。 (5)普通回归模型实质上是一种条件回归，AR(1)是无条件回归。 3.相关序列的独立化过程 (2.1.1)式的另一种形式为： (2.1.3)上式揭示了AR(1)的一个实质性问题：AR(1)模型是一个使相关数据转化为独立数据的变化器。由于就AR(1)系统来说，仅有一阶动态性，即在 已知的条件下， 主要表现为对 的直接依赖性，显然，只要把 中依赖于 的部分 消除以后，剩下的部分 自然就是独立的了。 二、 AR(1)模型的特例——随机游动 (Random walk)时的AR(1)模型： 1. 也可以用差分表示此时(2.1.1)式的具体形式为 或所谓差分，就是 与其前一期值的差，从统计上讲，差分结果所得到的序列就是逐期增长量。一般地k阶差分记作 。差分可以使非平稳序列转化为平稳序列。Box-Jenkins(简称记为B-J)，就是利用类似于这种数学工具来处理非平稳序列的。 一阶自回归模型AR（1） AR（1）模型的特例——随机游动 2.特例形式的特性： (1)系统具有极强的一期记忆性，即惯性。也就是说，系统在t-1 和t时刻的响应，除随机扰动外，完全一致。差异完全是由扰动 引起的。 (2)在时刻t-1时，系统的一步超前预测就是系统在t-1时的响应 ，即 (3)系统行为是一系列独立随机变量的和，即 第二节 一般自回归模型 对于自回归系统来说，当 不仅与前期值 有关，而且与 相关时，显然，AR(1)模型就不再是适应模型了。如果对这种不仅对 情形拟合AR模型， ,而且对 呈现出一定的相关性， 因此，AR(1)模型就不适应了。 一、 对的依赖性 当AR(1)模型中的与不独立时,我们将 记为 ,于是可以分解为(2.2.1)从而(2.2.1)式的形式变为 (2.2.2)可见， 与 和 有关，所以(2.2.2)式是一个AR(2)模型。 二、 AR(2)模型的假设和结构 1.AR(2)模型的基本假设: (1)假设 与 和 有直接关系,而与 无关;(2)是一个白噪声序列。 这就是AR(2)模型的两个基本假设。 2.AR(2)模型的结构: AR(2)模型是由三个部分组成的：第一部分是依赖于 的部 分，用 表示; 第二部分是依赖于 的部分;用 来表示.第三部分是独立于前两部分的白噪声. 三、 一般自回归模型 当AR(2)模型的基本假设被违背以后， 我们可以类似从AR(