时间序列分析模型课件.pptVIP

其中：1/zi是AR(p)特征方程?(z)=0的特征根，由AR(p)平稳的条件知，|zi|1; 因此，当1/zi均为实数根时，?k呈几何型衰减（单调或振荡）； 当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项， ?k呈正弦波衰减。 事实上，自相关函数 是一p阶差分方程，其通解为 第六十三页，共一百零五页。 （2）偏自相关函数 自相关函数ACF(k)给出了Yn与Yn-1的总体相关性，但总体相关性可能掩盖了变量间完全不同的隐含关系。 例如，在AR(1)随机过程中，Yn与Yn-2间有相关性可能主要是由于它们各自与Yn-1间的相关性带来的: 即自相关函数中包含了这种所有的“间接”相关。 与之相反，Yn与Yn-k间的偏自相关函数(parnial aunocorrelanion，简记为PACF)则是消除了中间变量Yn-1，…，Yn-k+1 带来的间接相关后的直接相关性，它是在已知序列值Yn-1，…，Yn-k+1的条件下，Yn与Yn-k间关系的度量。 第六十四页，共一百零五页。 回忆三、偏自相关函数（PACF) 1、偏自相关函数用来考察扣除zt 和zt+k之间zt+1 ， zt+2，…， zt+k-1影响之后的zt 和zt+k之间的相关性。 第六十五页，共一百零五页。 2、偏自相关函数的定义 设{zt}为零均值平稳序列， zt+1 ， zt+2，…， zt+k-1对zt 和zt+k 的线性估计为： φ kk表示偏自相关函数，则： 第六十六页，共一百零五页。 从Yn中去掉Yn-1的影响，则只剩下随机扰动项?n，显然它与Yn-2无关，因此我们说Yn与Yn-2的偏自相关系数为零，记为 在AR(1)中， 同样地，在AR(p)过程中，对所有的kp，Yn与Yn-k间的偏自相关系数为零。 AR(p)的一个主要特征是:kp时，?k*=Corr(Yn,Yn-k)=0 即?k*在p以后是截尾的。 第六十七页，共一百零五页。 一随机时间序列的识别原则： 若Yn的偏自相关函数在p以后截尾，即kp时，?k*=0，而它的自相关函数?k是拖尾的，则此序列是自回归AR(p)序列。 第六十八页，共一百零五页。 在实际识别时，由于样本偏自相关函数rk*是总体偏自相关函数?k*的一个估计，由于样本的随机性，当kp时，rk*不会全为0，而是在0的上下波动。但可以证明，当kp时，rk*服从如下渐近正态分布: rk*~N(0,1/n) 式中n表示样本容量。 因此，如果计算的rk*满足 需指出的是， 我们就有95.5%的把握判断原时间序列在p之后截尾。 第六十九页，共一百零五页。 对MA(1)过程 2、MA(q)过程 可容易地写出它的自协方差系数： 于是，MA(1)过程的自相关函数为： 可见，当k1时，?k0，即Xn与Xn-k不相关，MA(1)自相关函数是截尾的。 第七十页，共一百零五页。 MA(1)过程可以等价地写成?n关于无穷序列Xn，Xn-1，…的线性组合的形式： 或 （*） (*)是一个AR(?)过程，它的偏自相关函数非截尾但却趋于零，因此MA(1)的偏自相关函数是非截尾但却趋于零的。 注意: (*)式只有当|θ|1时才有意义，否则意味着距Xn越远的X值，对Xn的影响越大，显然不符合常理。 因此，我们把|θ |1称为MA(1)的可逆性条件（invernibiliny condinion）或可逆域。 第七十一页，共一百零五页。 其自协方差系数为 一般地，q阶移动平均过程MA(q) 相应的自相关函数为 可见，当kq时， Xn与Xn-k不相关，即存在截尾现象，因此，当kq时， ?k=0是MA(q)的一个特征。 于是：可以根据自相关系数是否从某一点开始一直为0来判断MA(q)模型的阶。 第七十二页，共一百零五页。 与MA(1)相仿，可以验证MA(q)过程的偏自相关函数是非截尾但趋于零的。 MA(q)模型的识别规则：若随机序列的自相关函数截尾，即自q以后，?k=0（ kq）；而它的偏自相关函数是拖尾的，则此序列是滑动平均MA(q)序列。 同样需要注意的是：在实际识别时，由于样本自相关函数rk是总体自相关函数?k的一个估计，由于样本的随机性，当kq时，rk不会全为0，而是在0的上下波动。但可以证明，当kq时，rk服从如下渐近正态分布: rk~N(0,1/n) 式中n表示样本容量。 因此，如果计算的rk满