趋势时间序列模型讲义.pptxVIP

引言：前面我们讨论的是平稳时间序列的建模和预测方法，即所讨论的时间序列都是宽平稳的。一个宽平稳的时间序列的均值和方差都是常数，并且它的协方差有时间上的不变性。 但是许多经济领域产生的时间序列都是非平稳的。对协方差过程，非平稳时间序列会出现各种情形，如它们具有非常数的均值μt，或非常数的二阶矩，如非常方差σt2，或同时具有这两种情形的非平稳序列。 ;第六章 趋势时间序列模型; 在现实世界中的大多数经济时间序列都表现出趋势性，即时间序列值随时间??变化呈现出增加或减少趋势和方差的不稳定性。例如，城镇居民人均可支配收入数据序列就有上升趋势，并且波动幅度逐年增大，表现出方差的不平稳性。因此在对时间序列建立模型之前，必须分析时间序列的平稳性和平稳化方法，这对于我们进行时间序列的统计分析、预测与控制，都具有十分重要的意义。; 趋势性时间序列是在图形上表现出一个长期上升或向下的趋势。一般情况下，通过时间序列观察值来判断序列的趋势性是比较容易，但是有些情况下，就比较困难，这主要原因是从短期看，时间序列具有趋势变动，但从长期看，它只不过是循环波动的一部分。时间序列的趋势性，有确定性和非确定性两种，前者有线性趋势和非线性趋势。具有非确定性趋势的序列，往往表现为一种慢慢地向上或向下漂移的时间序列.;;第一节 非时间序列模型的种类;一、均值非平稳过程;（一）确定趋势模型 当非平稳过程均值函数可由一个特定的时间趋势表示时，一个标准的回归模型曲线可用来描述这种现象。;此外，均值函数还可能是指数函数、 正弦—余弦波函数等，这些模型都可 以通过标准的回归分析处理。 处理方法是先拟合出μt的具体形式， 然后对残差序列yt={xt－ μt}按平稳 过程进行分析和建模。;（二）随机趋势模型 随机趋势模型又称齐次非平稳ARMA模型。为理解齐次非平稳ARMA模型，可先对ARMA模型的性质作一回顾。;;;可见我们所能分析处理的仅是一些特殊的 非平稳序列，即齐次非平稳序列。;二、方差和自协方差非平稳过程;这个变换最早由BOX和COX于1964年提出， 因此称作BOX—COX变换。其中λ为变换 参数。;第二节 非平稳性的检验;一、通过时间序列的趋势图来判断;二、通过自相关函数(ACF)判断;若序列无趋势，但是具有季节性，那末对于按月采集的数据，时滞12，24，36……的自相关系数达到最大(如果数据是按季度采集，则最大自相关系数出现在4，8，12， ……)，并且随着时滞的增加变得较小。 若序列是有趋势的，且具有季节性，其自相关函数特性类似于有趋势序列，但它们是摆动的，对于按月数据，在时滞12，24，36，……等处具有峰态；如果时间序列数据是按季节的，则峰出现在时滞4，8，12， ……等处。;三、特征根检验法（P146）;根据拟合出的时序模型参数检验(P146);;四、用非参数检验方法判断序列的平稳性;非参数检验：非参数检验是一种不依赖于总体分布知识的检验方法。 由于非参数检验不对总体分布加以限制性假定，所以它也称为自由分布检验。;非参数检验与参数检验相比有如下优点： a.检验条件比较宽松，适应性强 。 b.参数检验对样本容量的要求极低。 c.检验方法灵活，用途更广泛。 非参数检验主要用顺序统计量进行检验，因此它既可检验定距数据和定比数据，又可以检验定类数据和定序数据；而参数检验只能处理定距数据和定比数据。因为这些优点，非参数检验比参数检验应用更广泛。 d.非参数检验计算相对简单，易于理解。;非参数检验的缺点： 如果参数统计模型的所有假设在数据中事实上都能满足，而且测量达到了所要求的水平(定距数据或定比数据)，那么用非参数检验就浪费了数据中的信息。也就是说此时非参数检验的功效不如参数检验高。;(二)非参数检验方法在检验序列平稳性中的应用;（2）用游程检验方法检验时间序列平稳性的基本思想 ;;(3)检验方法 a.小样本情况 零假设： H0：加号和减号以随机的方式出现 检验方法：取显著性水平α(一般取0.05),查单样本游程检验表，得出抽样分布的临界值rL、rU 判定：若rL r rU则不能拒绝零假设，即不能拒绝序列是平稳的；若r rL 或r rU则拒绝零假设，序列是非平稳的。 ;b.大样本情况 零假设： H0：加号和减号以随机的方式出现 检验方法：给定显著性水平α(一般取0.05)查标准正态分布表，得出抽样分布的临界值-z α,+z α。并计算统计量:;非参数检验可以很方便的通过SPSS软件进行， 游程检验可见操作。 实例：用游程检验ST数据