时间序列模型的特征讲义.pptVIP

　如果一个包含有某种确定性趋势的非平稳时间序列，可以通过引入表示这一确定性趋势的趋势变量，而将确定性趋势分离出来。 注意：这种做法,只有当趋势性变量是确定性的(deterministic)而非随机性的(stochastic),才会有效。 2. 确定性趋势与随机趋势 第六十二页，共七十一页。 　1)如果? =1，?=0，则（*）式成为一个带漂移的随机游走过程： Yt =? +Yt-1+ ?t （**） 根据?的正负，Yt 表现出明显的上升或下降趋势。这种趋势称为随机性趋势(stochastic trend)。 考虑如下的含有一阶自回归的随机过程： Yt =? +?t +?Yt-1+ ?t （*） 其中：?t 是一白噪声，t 为一时间趋势。 第六十三页，共七十一页。 2)如果?=0，? ?0，则（*）式成为一带时间趋势的随机变化过程： 　　 　 Yt =? +?t + ?t 　 　　 　 （***） 根据? 的正负，Yt 表现出明显的上升或下降趋势。这种趋势称为确定性趋势(deterministic trend)。 Yt =? +?t +?Yt-1+ ?t （*） 3) 如果? =1，? ?0，则Yt包含有确定性与随机性两种趋势。 第六十四页，共七十一页。 判断一个非平稳的时间序列的趋势是随机性的还是确定性的，可通过ADF检验中的第3个模性。 该模型中已引入了表示确定性趋势的时间变量t，即分离出了确定性趋势的影响。 因此，(1)如果检验结果表明所给时间序列有单位根，且时间变量前的参数显著为零，则该序列显示出随机性趋势; (2)如果没有单位根，且时间变量前的参数显著地异于零，则该序列显示出确定性趋势。 3. 确定性趋势与随机趋势的判断 第六十五页，共七十一页。 （1）通过差分方法消除随机性趋势 如：对式　 　　　　　　 Yt = ? +Yt-1+ ?t 可通过差分变换为 ?Yt = ? +?t 该时间序列称为差分平稳过程（difference stationary process）； 4. 确定性趋势与随机趋势的消除方法 第六十六页，共七十一页。 平稳时间序列与非平稳时间序列图 第三十页，共七十一页。 进一步的判断: 检验样本自相关函数及其图形。 随机时间序列的自相关函数（autocorrelation function, ACF）： ?k=?k / ?0 自相关函数是关于滞后期k的递减函数。 对一个随机过程只有一个实现(样本), 因此, 只能计算样本自相关函数(Sample autocorrelation function)。 第三十一页，共七十一页。 随着k的增加，非平稳序的样本自相关函数下降缓慢，而平稳序列样本自相关函数迅速下降且趋于零。 平稳时间序列与非平稳时间序列样本自相关函数图 第三十二页，共七十一页。 注意: Bartlett曾证明:如果时间序列由白噪声过程生成，则对所有的k 0，样本自相关系数近似地服从以0为均值，1/T 为方差的正态分布,其中T为样本数。 可检验对所有k 0，自相关系数都为0的联合假设，可通过Q 统计量进行。 如果计算的Q 值大于显著性水平为? 的临界值，则有1-? 的把握拒绝所有?k (k 0)同时为0的假设。 第三十三页，共七十一页。 从图形看：它在其样本均值0附近上下波动，且样本自相关系数迅速下降到0，随后在0附近波动且逐渐收敛于0。 例1，序列Random1是通过一随机过程（随机函数）生成的有19个样本的随机时间序列。 第三十四页，共七十一页。 由于该序列由一随机过程生成，可以认为不存在序列相关性，因此该序列为一白噪声。 根据Bartlett的理论：?k ~N(0,1/19) 因此任一ρk (k 0)的95%的置信区间都将是： 可以看出: k 0时，ρk的值确实落在了该区间内