时间序列分析教案以后.pdf

第五章 非平稳序列的随机分析 非平稳序列的确定性因素分解方法（第四章） 的优点为原理简单、 操作简便、易于解释 等，因此在宏观经济管理与预测领域有着广泛的应用。 缺点主要有： (1)确定性因素分解方法只能提取强劲的确定性信息，对随机性信息浪费严重。 (2)确定性因素分解方法把所有序列的变化都归结为四大因素的综合影响，却始终无法 提供明确、有效的方法判断各大因素之间确切的作用关系。 这些问题导致确定性因素分解方法不能允分提取观察值序列中的有效信息，导致模型 拟合精度通常不够理想。 随机时序分析方法发展的必要性：弥补确定性因素分解方法的不足，为人们提供更加 丰富、更加精确的时序分析工具。 5.1 差分运算 5.1.1 差分运算的实质 拿到观察值序列之后，无论是采用确定性时序分析方法还是随机时序分析方法，分析 的第一步都是要通过有效的手段提取序列中所蕴含的确定性信息。 确定性信息的提取方法非常多，前面我们介绍过的构造季节指数、拟合长期趋势模型、 移动平均、 指数平滑等诸多方法都是确定性信息提取方法。 但是它们对确定性信息的提取都 不够充分。 Cox 和 Jenkins 在 Time Series Analysis Forecasting and Control 一书中特别强调差分方法 的使用， 他们使用大量的案例分析证明差分方法是一种非常简便、 有效的确定性信息提取方 法。而 Cramer 分解定理则在理论上保证了适当阶数的差分一定可以充分提取确定性信息。 根据 Cramer 分解定理，方差齐性非平稳序列都可以分解为如下形式： 式中， at 为零均值白噪声序列。 离散序列的 d 阶差分就相当于连续变量的 d 阶求导，显然，在 Cramer 分解定理的保证 下，d 阶差分就可以将 at 中蕴含的 d 次 （关于时间的）确定性信息充分提取。 （如何证明？） 展开 1 阶差分，有 等价于 这意味着 1 阶差分实质上就是一个自回归过程，它是用延迟一期的历史数据 xt 1 作为自变 1 量来解释当期序列值 xt 的变动状况，差分序列 xt 度量的是 xt l 阶自回归过程中产生 的随机误差的大小。 展开任意一个 d 阶差分，有 它的实质就是一个 d 阶自回归过程 这意味着差分运算的实质是使用自回归的方式提取确定性信息 5.1.2 差分方式的选择 实践中，我们会根据序列的不同特点选择合适的差分方式，常见情况有以下三种。 一、序列蕴含着显著的线性趋势， 1 阶差分就可以实现趋势平稳。 例 5.1 在例 2.1 的分析中，我们知道 1964-1999 年中国纱年产量序列蕴含着一个近似 线性的递增趋势。 现对该序列进行 1 阶差分运算， 考察差分运算对该序列线性趋势信息的提 取作用。 利用附录 1.2 所提供的数据，对原序列进行 l 阶差分运算： 差分后序列 xt 时序图如图 5— 1 所示。 时序图清晰地显示， l 阶差分运算已经非常成功地从原序列中提取出了线性趋势，差分 后序列呈现出非常平稳的随机波动。 二、序列蕴含着曲线趋势，通常低阶 (2 阶或 3 阶)差分就可以提取出曲线趋势的影响。 例 5.2 尝试提取 1950-1999 年北京市民用车辆拥有量序列 (数据见附录 1.12)的确定性