第八章时间序列计量模型.pptVIP

以滞后期k为变量的自相关系数序列 称为自相关函数，其中K为有限值。 自相关函数是随机变量与其不同滞后期变量的相关系数序列，可以用来考察变量与其滞后变量的自相关程度。因为 ，即Yt与 的自相关系数相等，所以自相关函数是以0为对称的，实际研究中只需给出自相关函数的正半部分即可。 第六十页，共一百一十六页。 2. 偏自相关函数PACF 偏自相关函数是描述随机过程结构特征的另一种方法。用 表示k阶自回归式中第j个回归系数，则k阶自回归模型表示为 （8.34） 第六十一页，共一百一十六页。 其中 是最后一个回归系数。若把 视为滞后期的函数，则称 ，k＝1，2，…为偏自相关函数。它由式（8.35）的 组成。 （8.35） 第六十二页，共一百一十六页。 因为偏自相关函数中每一个回归系数 恰好表示 与 在排除了其中间变量 影响后的相关系数，因此称为偏自相关系数。 第六十三页，共一百一十六页。 （二）AR(p)过程的识别 1.用自相关函数ACF识别 对于一阶自回归模型AR(1) （8.36） 用 同乘式（8.31）两侧得 （8.37） 两侧同取期望（其中 ），得 ，两侧同除 ，得 第六十四页，共一百一十六页。 （8.38） 因为 ，所以有 （8.39） 对于平稳时间序列，有 ，所以当 的值为正时，自相关函数呈指数衰减至0。当 的值为负1时，自相关函数正负交错呈指数衰减至0。这种现象称为拖尾或称AR(1)有无穷记忆。 第六十五页，共一百一十六页。 对于AR（p）过程，按特征根的取值不同，自相关函数有两种不同表现。 （1）当特征方程的根为实数时，自相关函数将随着k的增加而呈几何衰减至0，称为指数衰减。（2）当特征方程的根中含有一对共轭复根时，自相关函数将按正弦振荡形式衰减。 第六十六页，共一百一十六页。 实际中的平稳自回归过程的自相关函数常由指数衰减和正弦衰减两部分混合而成。由式（8.39）可以看出，当特征方程的根较小时，自相关函数会很快衰减至0。当有一个实数根接近1时，自相关函数将衰减很慢，近似于线性衰减，称具有拖尾特征。当有两个以上的根接近1时，自相关函数同样会衰减很慢。 第六十七页，共一百一十六页。 2.用偏自相关函数PACF识别 对于AR（p）过程，当k≤p时， ，当kp时， 。偏自相关函数在滞后期p以后具有截尾特性，因此可以用此特性识别AR(p)过程的阶数。对于AR(1)过程，当k＝1时， ，当k1时， 。所以AR(1)过程的偏自相关函数特征是在k＝1时出现峰值（ ），然后截尾。 第六十八页，共一百一十六页。 在实际识别时，由于样本偏自相关函数是总体偏自相关函数 的一个估计，因为样本波动，当kp时， 不会全为0，而是在0的左右波动。可以证明，当kp时， 服从渐近正态分布： ～N(0,1/n), n为样本容量。如果样本偏自回归函数 满足 ,就可以以95.5％的置信水平判断该时间序列在kp后截尾。 第六十九页，共一百一十六页。 （三）MA(q)过程的识别 1. 用自相关