ARMA模型的概念和构造.pptxVIP

ARMA模型的概念和构造 一、ARIMA模型的基本内涵一、ARMA模型的概念自回归移动平均模型（autoregressive moving average models,简记为ARMA模型），由因变量对它的滞后值以及随机误差项的现值和滞后值回归得到。包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）。ARIMA模型的概念一. 移动平均过程1. 移动平均（MA）过程的表示：其中u为常数项，为白噪音过程引入滞后算子L，原式可以写成: 或者 ARIMA模型的概念2.MA（q）过程的特征1.2.3.自协方差 ①当kq时 ＝0 ②当kq时 对于任意的，MA(q)是平稳的。 ARIMA模型的概念二. 自回归（AR）过程 1.自回归（AR）过程表示为： 其中为 为白噪音过程引入滞后算子，则原式可写成 其中 ARIMA模型的概念2. AR(p)过程平稳的条件 如果特征方程： 的根全部落在单位圆之外，则该AR(p)过程是平稳的 ARIMA模型的概念3. AR(p)过程的特征 =0， 的无条件期望是相等的，若设为u，则得到 :ARIMA模型的概念 ……将上述p+1个方程联立，得到所谓的Yule-Walker方程组，共p+1个方程，p+1个未知数，得出AR（p）过程的方差及各级协方差。 ARIMA模型的概念三. 自回归移动平均（ARMA）过程1. ARMA过程的形式其中 为白噪音过程。若引入滞后算子，可以写成其中ARIMA模型的概念2. ARMA过程平稳性的条件ARMA过程的平稳性取决于它的自回归部分。当满足条件： 特征方程的根全部落在单位圆以外时，ARMA(p,q)是一个平稳过程。ARIMA模型的概念3.ARMA(p, q)过程的特征1）2）ARMA(p, q)过程的方差和协方差ARIMA模型的概念四. AR、MA过程的相互转化结论一：平稳的AR(p)过程可以转化为一个MA(∞)过程，可采用递归迭代法完成转化结论二：特征方程根都落在单位圆外的 MA(q)过程具有可逆性平稳性和可逆性的概念在数学语言上是完全等价的，所不同的是，前者是对AR过程而言的，而后者是对MA过程而言的。二、Box-Jenkins方法论建立回归模型时，应遵循节俭性(parsimony)的原则 博克斯和詹金斯(Box and Jenkins)提出了在节俭性原则下建立ARMA模型的系统方法论,即Box-Jenkins方法论 Box-Jenkins方法论Box-Jenkins方法论 的步骤：步骤1：模型识别步骤2：模型估计步骤3：模型的诊断检验步骤4：模型预测三、ARMA模型的识别、估计、诊断、预测(一).ARMA模型的识别1. 识别ARMA模型的两个工具：自相关函数(autocorrelation function,简记为ACF）；偏自相关函数(partial autocorrelation function,简记为PACF)以及它们各自的相关图（即ACF、PACF相对于滞后长度描图）。ARMA模型的识别2. 自相关函数和偏自相关函数的概念①自相关函数过程 的第j阶自相关系数即 ，自相关函数记为ACF(j) 。②偏自相关函数 偏自相关系数 度量了消除中间滞后项影响后两滞后变量之间的相关关系。偏自相关函数记为PACF(j) ARMA模型的识别③自相关函数和偏自相关函数的联系2阶以上的偏自相关函数计算公式较为复杂，这里不再给出。ARMA模型的识别2. MA、AR、ARMA过程自相关函数及偏自相关函数的特点⑴MA(q)过程的自相关函数 1≤j≤q jq时，ACF(j)=0，此现象为截尾，是MA(q)过程的一个特征如下图：ARMA模型的识别 MA（2）过程 ARMA模型的识别⑵ AR(p)过程的偏自相关函数 时，偏自相关函数的取值不为0 时，偏自相关函数的取值为0AR(p)过程的偏自相关函数p阶截尾如下图：ARMA模型的识别ARMA模型的识别ARMA模型的识别⑶AR(p)过程的自相关函数以及MA(q)过程的偏自相关函数平稳的AR(P)过程可以转化为一个MA(∞）过程，则AR(P)过程的自相关函数是拖尾的一个可逆的MA(q)过程可转化为一个AR(∞）过程，因此其偏自相关函数是拖尾的。ARMA模型的识别⑷ARMA(p,q)过程的自相关函数和偏自相关函数ARMA过程的自相关函数和偏自相关函数都是拖尾的如下图：ARIMA模型的识别ARMA模型的识别3. 利用自相关函数、偏自相关函数对ARMA模型进行识别⑴通过ADF检验，来判断序列过程的平稳性；⑵利用自相关函数、偏自相关函数