非平稳序列随机分析发展与应用.pdfVIP

第四十二课非平稳序列的随机分析

上世纪七十年代，G.P.Box和G.M.Jenkins了专著《时间序列分析：预测和控制》，

对平稳时间序列数据，提出了自回归滑动平均模型ARIMA，以及一整套的建模、估计、检验

和控制方法。使时间序列分析广泛地运用成为可能。为了纪念Box和Jenkins对时间序列发展

的特殊贡献，现在人们也常把ARIMA模型称为Box-Jenkins模型。

当我们拟合一个时间序列时，先通过差分法或适当的变换使非平稳序列的化成为平稳序

列，我们再要考虑的是参数化和记忆特征的有效性，用这种参数方法拟合序列为某种特定的

结构，只用很少量的参数，使参数的有效估计成为可能。相对于一个序列的过去值可用传统

的Box和Jenkins方法建模。

实际上，Box-Jenkins模型主要是运用于单变量、同方差场合的线性模型。随着对时间序

列应用的深入研究，发现还存在着许多局限性。所以近20年来，统计学家纷纷转向多变量、

异方差和非线性场合的时间序列分析方法的研究，并取得突破性的进展，其中Engle和Granger一

起获得2003年经济学奖。在异方差场合，RobertF.Engle在1982年提出了自回归条件

异方差ARCH模型，以及在ARCH模型上衍生出的一系列拓展模型。在多变量场合，七十年

代末，G.E.P.Box教授和刁锦寰教授在处理洛山矶的环境数据时，提出了干预分析和异常值

检验方法。1987年，C.Granger提出了协整（co-integration）理论，在多变量时间序列建模过

程中“变量是平稳的”不再是必须条件了，而只要求它们的某种组合是平稳的。非线性时间

序列分析也有重展，教授等在1980年左右提出了利用分段线性化构造门限自回归

模型。

一、ARIMA模型

随着对时间序列分析方法的深入研究，人们发现非平稳序列的确定性因素分解方法（如

季节模型、趋势模型、移动平均、指数平滑等）存在一些问题，它只能提取显著的确定性信

息，对随机浪费严重，同时也无法对确定性因间的关系进行分析。而非平稳序列

随机分析的发展就是为了弥补确定性因素分解方法的不足。对于时间序列数据分析无论是采

用确定性时序分析方法还是随机时序分析方法，分析的第一步都是要通过有效提取序列

中所蕴藏的确定。Box和Jenkins特别强调差分方法的使用，他们使用大量的案例分析

证明差分方法是一种非常简便有效的确定的提取方法。而Gramer分解定理则在理论上

保证了适当阶数的差分一定可以充分提取确定。

1.ARIMA模型的结构

许多实际的序列，特别是从经济和商业领域产生的时间序列是非平稳的，由于观察个数

所限，我们建立有限阶数模型，描述时间序列过程。我们引进一种混和自回归和滑动平均

(Autoregressive-integrated-movingaverage)ARIMA模型，简记为ARIMA(p,d,q)。这种模型包

括很广的一类有限参数的线性时间序列模型，非常有用地描述各种时间序列。ARIMA模型的

形式如下：

d

Φ(B)∇x=Θ(B)ε(42.1)

tt

式中：

dd

∇=(1−B)

为d阶差分。

son42StochasticAnalysisofNon-stationarySequences

Inthe1970s,G.P.BoxandG.M.JenkinspublishedthemonographTimeSeriesAnalysis:Predictio