第三次作业AR模型拟合.docVIP

第三次作业AR模型拟合 实验报告 实验报告 报告题目： 　　ＡＲ模型拟合 　　 课程名称： 　　应用时间序列分析 专 业： 　统　计　学 年 级： 　 统计１２１ 学 号： 　 1207010165 学生姓名： 　陈　江　余 指导教师： 　　胡　尧 　　　　　 　　　　　学　　院： 理　学　院 　　　　　　　　　　　　　实验时间：2015年5月２６日  十一、实验室内一切物品未经允许严禁带出室外，确需带出，必须经过批准并办理手续。 目录 　 TOC \o 1-3 \h \z \u 第一部分：实验（或算法）原理 5 第二部分：实验步骤 5 1.AR(p)模型的参数估计 5 2. AR(p)模型参数的最小二乘估计 6 3. AR(p)模型的定阶 7 4.拟合模型的检验 7 第三部分：　算法实例与讲解 8 讲解 8 模型评价 9 第四部分：优点与限制 9 第五部分：参考文献 9 第一部分：实验（或算法）原理 自回归模型（英语：Autoregressive model，简称AR模型），是统计上一种处理时间序列的方法，用同一变量例如x的之前各期，亦即x_{1}至x_{t-1}来预测本期x_{t}的表现，并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来，只是不用x预测y，而是用x预测x（自己）；所以叫做自回归。 其中：是 \o 常数 常数项；被假设为 \o 平均数 平均数等于0， \o 标准差 标准差等于的 \o 随机 随机误差值；被假设为对于任何的都不变。 文字叙述为：的当期值等于一个或数个落后期的线性组合，加常数项，加随机误差。 第二部分：实验步骤 如果时间序列 是平稳AR序列，根据此序列的一段有限样本值 对 的模型进行统计，称为自回归模型拟合 自回归模型拟合主要包括： (1) 判断自回归模型AR的阶数； (2) 估计模型的参数； (3) 对拟合模型进行检验。 1.AR(p)模型的参数估计 目的：为观测数据建立AR(p)模型 (1.1) 假定自回归阶数p已知，考虑回归系数 和零均值白噪声的方差的估计。 数据的预处理：如果样本均值不为零，需将它们中心化，即将它们都同时减去其样本均值，再对序列按(1.1)式的拟合方法进行拟合。 对于AR(p)模型，自回归系数由AR(p)序列的自协方差函数 通过Yule-Walker方程 唯一决定，白噪声方差 由决定。 实际应用中，对于较大的p,为了加快计算速度可采用如下的Levison递推方法 递推最后得到矩估计 上式是由求偏相关函数的公式： 导出。 2. AR(p)模型参数的最小二乘估计 如果 是自回归系数 的估计，白噪声 的估计计定义为 通常为残差。 我们把能使 达到极小值的 称为的最小二乘估计。 相应地，白噪声方差 的最小二乘估计 式中为的p个分量。 3. AR(p)模型的定阶 偏相关函数的分析方法： 一个平稳序列是AR(p)序列当且仅当它的偏相关函数是p步截尾的。 如果 p步截尾：当 时， ； 而 ，就以作为p的估计。 4.拟合模型的检验 现有数据 ，欲判断它们是否符合以下模型 式中 被假定为独立序列,且 与 独立。 原假设 ：数据符合AR(p)。故在 成立时，下列序列 为独立序列 的一段样本值序列。 步骤： 1. 首先，根据公式 计算出残差的样本自相关函数， 2. 利用上一章关于独立序列的判别方法，判断 是否为独立序列的样本值 3. 根据判断结果，如果接受它们为独立序列的样本值，则接受原假设，即接受符合AR(p),否则，应当考虑采用新的模型拟合原始数据序列。 第三部分：　算法实例与讲解 下表为某地历年税收数据（单位亿元）。使用AR（p）预测税收收入，为年度税收计划和财政预算提供更加有效、科学的依据。 年份 1 2 3 4 5 6 7 税收 15.2 15.9 18.7 22.4 26.9 28.3 30.5 年份 8 9 10 11 12 13 14 税收 33.8 40.4 50.7 58 66.7 81.2 83.4