非平稳序列的随机分析.ppt

对趋势效应的常用拟合方法自变量为时间t的幂函数自变量为历史观察值第62页，共118页，星期日，2025年，2月5日对季节效应的常用拟合方法给定季节指数建立季节自回归模型第63页，共118页，星期日，2025年，2月5日例5.6续使用Auto-Regressive模型分析1952年－1988年中国农业实际国民收入指数序列。时序图显示该序列有显著的线性递增趋势，但没有季节效应，所以考虑建立如下结构的Auto-Regressive模型第64页，共118页，星期日，2025年，2月5日趋势拟合方法一：变量为时间t的幂函数方法二：变量为一阶延迟序列值第65页，共118页，星期日，2025年，2月5日趋势拟合效果图第66页，共118页，星期日，2025年，2月5日残差自相关检验检验原理回归模型拟合充分，残差的性质回归模型拟合得不充分，残差的性质第67页，共118页，星期日，2025年，2月5日Durbin-Waston检验（DW检验）假设条件原假设：残差序列不存在一阶自相关性备择假设：残差序列存在一阶自相关性第68页，共118页，星期日，2025年，2月5日DW统计量构造统计量DW统计量和自相关系数的关系第69页，共118页，星期日，2025年，2月5日DW统计量的判定结果正相关相关性待定不相关相关性待定负相关042第70页，共118页，星期日，2025年，2月5日例5.6续检验第一个确定性趋势模型残差序列的自相关性。第71页，共118页，星期日，2025年，2月5日DW检验结果检验结果检验结论检验结果显示残差序列高度正自相关。DW统计量的值P值0.13781.421.530.0001第72页，共118页，星期日，2025年，2月5日Durbinh检验DW统计量的缺陷当回归因子包含延迟因变量时，残差序列的DW统计量是一个有偏统计量。在这种场合下使用DW统计量容易产生残差序列正自相关性不显著的误判Durbinh检验第73页，共118页，星期日，2025年，2月5日例5.6续检验第二个确定性趋势模型残差序列的自相关性。第74页，共118页，星期日，2025年，2月5日Dh检验结果检验结果检验结论检验结果显示残差序列高度正自相关。Dh统计量的值P值2.80380.0025第75页，共118页，星期日，2025年，2月5日残差序列拟合确定自回归模型的阶数参数估计模型检验第76页，共118页，星期日，2025年，2月5日例5.6续对第一个确定性趋势模型的残差序列进行拟合第77页，共118页，星期日，2025年，2月5日残差序列自相关图第78页，共118页，星期日，2025年，2月5日残差序列偏自相关图第79页，共118页，星期日，2025年，2月5日模型拟合定阶AR(2)参数估计方法极大似然估计最终拟合模型口径第80页，共118页，星期日，2025年，2月5日例5.6第二个Auto－Regressive模型的拟合结果第81页，共118页，星期日，2025年，2月5日三个拟合模型的比较模型AICSBCARIMA(0,1,1)模型：249.3305252.4976Auto－Regressive模型一：260.8454267.2891Auto－Regressive模型二：250.6317253.7987第82页，共118页，星期日，2025年，2月5日5.4异方差的性质异方差的定义如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差异方差的影响忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。第83页，共118页，星期日，2025年，2月5日例5.7已知ARIMA(1,1,1)模型为且求的95％的置信区间第30页，共118页，星期日，2025年，2月5日预测值等价形式计算预测值第31页，共118页，星期日，2025年，2月5日计算置信区间Green函数值方差95％置信区间第32页，共118页，星期日，2025年，2月5日例5.6续：对中国农业实际国民收入指数序列做为期10年的预测第33页，共118页，星期日，2025年，2月5日疏系数模型ARIMA(p,d,q)模型是指d阶差分后自相关最高阶数为p，移动平均最高阶数为q的