平稳时序建模.pptVIP

平稳序列建模;;建模步骤;对平稳时间序列建立模型一般要经过以下几步：

1.模型识别：根据系统性质，以及所提供的时序据的概貌，提出一个相适的类型的模型、模型的定阶等。

2.模型参数估计：就是根据实际的观测数据具体地确定该数学模型所包含的项数以及各项系数的数值。

3.模型的诊断检验：包括模型的适应性检验等。

4.模型的应用：如预测。

;序列的非平稳包括均值非平稳和方差非平稳。

序列平稳性的检验方法和手段主要有：序列趋势图、自相关图、单位根检验、非参数检验方法等等。;计算样本相关系数;模型识别;模型定阶的困难;样本相关系数的近似分布;模型定阶经验方法;模型识别方法;若序列xt的自相关函数在kq以后截尾，即kq时，，而且它的偏自相关函数拖尾，则可判断此序列是MA(q)序列。

若序列xt的自相关函数、偏相关函数都呈拖尾形态，则可断言此序列是ARMA序列。

若序列的自相关函数和偏自相关函数不但都不截尾，而且至少有一个下降趋势势缓慢或呈周期性衰减，则可认为它也不是拖尾的，此时序列是非平稳序列，应先将其转化为平稳序列后再进行模型识别。;（二）样本自相关函数(SACF)和偏自相关函数(SPACF)截尾性的判断。

前面模型识别方法中有关自相关函数、偏自相关函数截尾性的判断仅是理论上的，实际上的样本自相关函数和样本偏自相关函数仅是理论上的一个估计值，由于样本的随机性，免不了有误差。因此需要根据SACF和SPACF对ACF和PACF的截尾性作一判断。;1.样本自相关函数截尾性的判断方法

理论上证明：若序列xt为MA(q)序列，则kq后，序列的样本自相关函数渐近服从正态分布，即：;故由正态分布理论可知：

此处n是样本容量。

;在实际进行检验时，可对每个k0，分别检验（通常取）中满足的个数所占的百分比是否超过31.7%，或满足的个数是否超过4.5%。

若k=1,2,…q-1都超过了而k=q时未超过，就可认为在kq时是截尾的。

;2.样本偏自相关函数截尾性的判断方法

可以证明：若序列xt为AR(p)序列，则kp后，序列的样本偏自??关函数服从渐近正态分布，即近似的有：

此处n表示样本容量。于是可得：;在实际进行检验时，可对每个k0，分别检验（通常取）中满足的个数所占的百分比是否超过31.7%，或满足

的个数是否超过4.5%。

若k=1,2,…p-1都超过了，而k=p时未超过，就可认为在kq时是截尾的。

;（三）关于ARMA序列阶数的确定;例2.5续;序列自相关图;序列偏自相关图;拟合模型识别;例3.8;序列自相关图;序列偏自相关图;拟合模型识别;例3.9;序列自相关图;序列偏自相关图;拟合模型识别;ARMA模型参数估计;;参数估计;一、模型参数的矩方法估计;矩估计;（二）AR(p)模型参数的矩估计

设序列xt经过模型识别，确定为AR(p)模型。

由第四章有如下结论：;于是可得如下的Yule-Walk方程：;根据自协方差公式有：;AR(1)模型的矩估计;例3.10:求AR(2)模型系数的矩估计;MA(q)模型参数的矩估计

在前面已经推导出MA(q)的自协方差结果，将代替，代替(i=1,2…q),得如下方程组：;例3.11:求MA(1)模型系数的矩估计;例3.12:求ARMA(1,1)模型系数的矩估计;对矩估计的评价;极大似然估计;

计算联合概率密度：

它可大致看作已观察到具体样本的概率。最大似然估计就是求使这个样本最可能出现的参数向量：;极大似然估计;似然方程;对极大似然估计的评价;最小二乘估计;考虑以下时序模型：

若et=at，即et为白噪声，此时模型为AR(P)模型，则前述四个假设都能满足。因此，对于AR(P)模型，用普通最小二乘法(OLS)估计的参数是无偏、一致估计。

若，此时模型为ARMA(p,q)模型或MA(q)(p=0时)模型，此时et不满足第3,4个条件，因此，对于ARMA模型和MA模型，普通最小二乘估计不是一致的估计。

;最小二乘估计;条件最小二乘估计;对最小二乘估计的评价;例2.5续;例3.8续;例3.9续;模型的诊断检验;模型检验;模型的显著性检验;假设条件;检验统