计量学1-自回归移动平均模型分析.ppt

2、AR(2)模型AR(2)过程的标准形式为利用滞后算子可写为：平稳性条件根据动态系统的稳定性条件，平稳的条件为上述差分方程的特征方程的根都落在单位圆之外。因为这时该滞后算子多项式分解成的两个一阶差分因子都是动态稳定的。性质3、AR(p)模型AR(p)模型为：或平稳性条件如果AR(p)模型的特征方程的根全部在单位圆之外，则可以证明AR(p)模型有协方差平稳形式：性质[例]讨论下列自回归模型AR(2)的平稳性：因为特征多项式的两个根分别为5和10/9=1.11，都在单位圆之外，因此该模型是平稳的。（三）自回归移动平均模型的平稳性可逆性条件1、平稳性讨论MA(q)肯定是平稳的，但AR(p)可能不平稳。两个平稳时间序列过程的和是平稳的，因此ARMA(p,q)的平稳性取决于AR(p)的平稳性。只要满足特征方程的根都在单位圆之外（假设已知），那么上述ARMA(p,q)过程就是平稳的。性质在ARMA(p,q)满足平稳性的条件下，利用滞后算子，ARMA(p,q)模型也可以写为：（1）均值实际上就是的均值。本章介绍自回归移动平均模型分析，包括平稳时间序列的自回归移动平均模型分析的思路、模型识别、参数估计、检验和预测，以及非平稳时间序列的自回归求积移动平均模型分析。第一节自回归移动平均模型

第二节自回归移动平均模型的识别

第三节自回归移动平均模型的估计

第四节ARMA模型检验和预测第一节自回归移动平均模型一、时间序列分析的BJ方法论Box和Jenkins在《时间序列分析：预测和控制》中提出，时间序列的本质特征就是相邻观测值的依赖性，大部分平稳时间序列可以用一系列自回归移动平均随机过程加以模拟。这引出了时间序列分析的一种重要思路——通过时间序列数据背后生成数据的自回归移动平均过程模型进行分析。这种时间序列分析方法被称为“BJ方法论”，属于时域分析方法，是现代时间序列计量经济学最重要的方法论之一。时间序列分析BJ方法论的理论基础时间序列数据可以看作由一些离散型随机过程生成的，是特定离散型随机过程的一次实现，时间序列数据的性质由生成它们的随机过程决定，因此可以通过识别和分析时间序列背后的随机过程模型，进行时间序列数据的分析和预测。运用BJ方法论进行应用分析包括四个步骤：1、识别根据各种时间序列模型的理论特征，对时间序列数据进行分析，确定适当的初步模型，包括模型类型及其阶数，就是找出ARMA模型适当的p、q值；2、估计用适当的参数估计方法，估计初步设定模型的相关参数值，包括自回归和移动平均系数和白噪声的方差等；3、诊断对模型进行校验，包括检验模型的拟合程度，检验设定模型的合理性和阶数是否正确等，并进一步调整修改模型，确定模型和精确估计参数；4、预测和控制利用所得到的模型进行预测分析，包括静态预测和动态预测，多步预测等，利用模型进行控制。预测本身也是对模型的进一步检验。二、自回归移动平均模型（一）移动平均模型（movingaverageprocess,MA）移动平均过程就是一个白噪声过程不同时间随机变量的加权和。最简单的移动平均过程是当期和前一期白噪声的加权和：这种移动平均过程称为“一阶移动平均过程”，记为MA(1)。较复杂的移动平均过程可以包括多个甚至无限个滞后项的加权和，例如：这些模型分别记为MA(2)、MA(q)和MA(∞)。引进滞后算子L（），移动平均模型可分别表示为：（二）自回归模型

（autoregressiveprocess，AR）时间序列的当前值取决于其自身若干期或无限期前期水平。自回归过程同样有一阶、二阶、阶或无穷阶自回归模型，分别记为AR(1)、AR(2)、AR()和AR(∞)，表达式分别为引进滞后算子表示方法，上述AR模型则可以分别表示为：（三）自回归滑动平均模型既包含一系列白噪声扰动的加权平均，也包含时间序列本身滞后项加权平均的混合时间序列过程。这样的过程称为“自回归移动平均过程”，记为ARMA。最简单的自回归移动平均过程包括一阶自回归项和一阶移动平均项，即记为ARMA(1,1)。一般的自回归移动平均过程包括p阶自回归和q阶移动平均，即也可以写成其中，记为ARMA(p,q)。（四）自回归求积移动平均模