第五章平稳时间序列模型的建立.pptxVIP

第五章 平稳时间序列的模型建立;平稳时间序列模型建模步骤;Y;5.2 模型类型的识别;5.2 模型类型的识别;1、首先估计样本（偏）相关函数;2、模型识别的基本原则：;5.2 模型类型的识别;2、模型识别的困难： ;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.2 模型类型的识别;5.3 模型的定阶;5.3 模型的定阶;残差： 在多元回归 ，存在自变量X的选择问题。 如果X选择不够，模型拟合不足，表现为 与 差异较大；若X选择多，则过度拟合， 与 差异减小速度很慢。 我们将 称为残差，多元回归就是利用此确定模型的自变量，即新增或减少变量是否会显著影响残差。 将该思想应用到时间序列模型定阶上就是残差方差定阶法。;残差方差图定阶法;残差方差图定阶法;残差方差图定阶法;残差方差图定阶法;残差方差图定阶法;残差方差图定阶法;F分布：;用F检验考察两个回归模型是否有显著差异，以确定某些自变量是否有留在模型中的必要。;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;F检验定阶法;准则函数定阶法;AIC准则定阶法;AIC准则定阶法;AIC准则定阶法;AIC准则定阶法;AIC准则定阶法;AIC准则定阶法;ARMA(n, m)模型的BIC准则函数： r=n+m是模型的独立参数的个数，L是模型的极大似然值， 是残差方差的极大似然估计（矩估计、最小二乘估计）。 用样本大小N标准化后的BIC准则函数：;BIC准则定阶法;BIC准则定阶法;BIC准则定阶法;准则函数定阶法;准则函数定阶法;关于ARMA模型的定阶 自相关函数、偏相关函数都呈现一定的拖尾性，在ARMA模型定阶中，Pandit-Wu于1977年提出的方法认为，任一平稳序列总可以用一个ARMA(n, n-1)表示，AR(n)、MA(m)、ARMA(n, m)都是ARMA(n, n-1)的特例。 建模思想：逐渐增加模型阶数，直到剩余平方和不再减小为止。;关于如何在不同模型之间取舍：;5.4 模型的参数估计;矩估计;AR模型的矩估计;AR模型的矩估计;AR模型的矩估计;AR(2)模型的Yule-Wolker方程 由克莱姆（Cramer）法则，得 ;AR模型的矩估计;MA模型的矩估计;MA(1)模型 方程 矩估计;ARMA(1,1)模型 方程 矩估计;ARMA模型的矩估计;ARMA模型的矩估计;对矩估计的评价;最小二乘估计;最小二乘估计;对最小二乘估计的评价;极大似然估计;对极大似然估计的评价;三种参数估计方法的比较;例5.1 续;例5.1 续;5.5 模型的适应性检验;判定原则： 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列； 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效。 检验的本质： 检验残差序列是否是白噪声序列，最主要的是残差序列的独立性检验。;估计ARMA(p, q)模型，得： 采用逆推方法得到残差序列 初始值 取零。 由此计算出的残差序列 即可用来进行模型的适应性检验。;1、散点图法 为检验 独立性，可以绘制 散点图 。 当散点图呈乱分布无趋势性，可以认为 独立。;相关函数检验法;相关函数检验法;相关函数检验法;χ2检验法;例5.1续;5.6 建模实例;5.6 建模实例;5.6 建模实例;5.6 建模实例;残差方差图定阶法;F检验定阶法;F检验定阶法;准则函数定阶法;例5.2 续;例5.2 续;例5.2 续;5.6 建模实例;5.6 建模实例;5.6 建模实例;5.6 建模实例;残差方差图定阶法;准则函数定阶法;F检验定阶法;F检验定阶法;F检验定阶法;例5.3 续;例5.3 续;例5.3 续;例5.3 续;例5.3 续;例5.3续;Y;第5章 平稳时间序列模型的建立