经济预测与决策（第二版）B07随机型时间序列预测法.pptxVIP

第7章 随机型时间序列预测法;7.1 基本概述;?;?;建立预测模型的四个步骤： （1）确定模型的基本形式。根据建模的目的和理论分析，确定模型的基本形式。 （2）模型识别。选定一个大体上最适合于所研究的时间序列的预测模型。利用数据先求得一系列样本自相关函数。把这些函数，与若干已知预测模型的理论自相关函数进行比较，以寻求在样本结果和理论结果之间最佳匹配。 （3）参数估计。将所选择的模型应用于所取得的历史数据，利用矩估计、最小二乘法等求得模型的参数。 （4）特征检验。检验得到的模型是否合适。若合适，则可以用于预测或控制；若不合适，则返回到第二阶段重新选择模型。;7.1.2 自协方差函数与自相关函数;性质 ;3．平稳序列的偏相关函数;7.2 常见的时间序列模型;7.2.1 自回归(AR)模型 1．一般性自回归模型;?;2．一阶自回归模型AR(1) ;3．二阶自回归模型AR(2) ;7.2.2 移动平均（MA）模型;2．一阶移动平均模型MA(1);2．一阶移动平均模型MA(1);3．二阶移动平均模型MA(2);7.2.3 自回归-移动平均（ARMA）模型;2．ARMA(p,q)模型的平稳性和可逆性;2．ARMA(p,q)模型的平稳性和可逆性;3．特例说明 实际应用中，p和q一般不超过2。 利用AR(p)和MA(q)的平稳条件和可逆条件可以描述ARMA(p,q)模型的特性。例如，对ARMA(1,1)模型：;7.2.4 求和(ARIMA)模型 AR(p)、MA(q)和ARMA(p,q)模型仅适用于平稳时间序列。 当时间序列为齐次非平稳性，可通过差分处理将其化为平稳序列。 差分的次数称为齐次化的阶。;定义差分算子 ▽;?;7.3 自相关函数、偏相关函数;7.3.1 AR(p)模型的自相关函数;?;;?;?;二阶自回归模型AR(2);7.3.2 MA(q)模型的自相关函数;对MA(1)模型：q=1;对MA(2)模型：q=2;7.3.3 ARMA(p,q)模型的自相关函数 ARMA(p,q)模型的自相关函数计算比较复杂。以下介绍实际应用中比较多的ARMA(1,1)模型的自相关函数的计算。;;7.3.4 ARMA(p,q)模型的偏相关函数;;7.3.5 样本自相关函数与样本偏相关函数;7.4 模型识别;如前所述，常见的时间序列模型有AR(P)、MA(q)、ARMA(p,q)、ARIMA(p,d,q)及季节模型等。在这些模型中，p,d,q的取之不同，代表的模型也不一样，也就是说这些模型是一个模型族。 模型识别就是根据已知观察值，??基本模型族中选择一个和预测目标的实际过程最接近的模型结构。具体说来，就是利用已知数据求得样本自相关函数和偏相关函数，把这些函数，然后与若干已知预测模型的理论自相关函数和偏自相关函数进行比较，借此识别模型的结构和阶次。;?;?;?;?;7.4.3 ARMA(p,q)模型的识别 如果时间序列{ }的自相关函数和偏相关函数均具有拖尾特性，则可认为序列为ARMA(p,q)序列。 不过，这时其中的 、 比较难以判别。识别 、 ，可以从低阶到高阶逐个取 为(1，1)，(1，2)，(2，1)，(2, 2)……等值进行尝试。所谓尝试，就是先认定 为某值(如(1，1))，然后进行下一步的参数估计，并定出估计模型，再用后面将要介绍的检验方法检验该估计模型是否可被接受，也就是与实际序列拟合得好不好。若不被接受，就调整 的尝试值，重新进行参数估计和检验，直到被接受为止。;7.5 参数估计;7.5.1 矩估计方法;;AR(1)模型参数矩估计为：;2．MA(q)模型参数的矩估计;3．ARMA(p,q)模型参数的矩估计;此时，ARMA(p,q)对 模型;7.5.2 最小二乘估计 所谓最小二乘估计就是利用最小二乘法原理，选择使残差平方和最小的解作为模型参数的估计值。以下以AR(p)模型举例说明。;1．AR(p)模型参数的最小二乘估计;残差平方和;2． MA和ARMA 序列参数的最小二乘估计 MA序列和 ARMA序列参数的最小二乘估计方法类似，以下介绍 ARMA(p,q)序列的估计方法。;7.6 模型的检验与修正;?;?;7.6.2 模型的修正 1．减少参数 在构建模型时因尽可能删除一些没有必要的参数。 利用参数估计的标准差可以评价单个参数估计值的统计显著性。如果某参数点估计的绝对值至少两倍于它的标准差，则认为它是显著；否则，认为是不显著的，可以从模型中删除该项。 如果不显著参数恰好为估计模型中的最高阶项系数，则可以直接删除该项以简化模型；否则，要计算它与最高阶参数估计之间的相关系数，如果存在较强的相关性，则可以删除最高阶参数估计项，否则只能删除参数不显著项。;2．增加参数 有时，为了检验已识别模型参数个数