非平稳序列的随机分析.pptVIP

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91页，共143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92页，共143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。实际上也可以用Q统计量来检验。Dh统计量的值P值2.80380.0025*第93页，共143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94页，共143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95页，共143页，星期日，2025年，2月5日残差序列自相关图*第96页，共143页，星期日，2025年，2月5日残差序列偏自相关图*第97页，共143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98页，共143页，星期日，2025年，2月5日例5.6第二个残差自回归模型的拟合结果*第99页，共143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：249.3305252.4976残差自回归模型一：260.8454267.2891残差自回归模型二：250.6317253.7987*第100页，共143页，星期日，2025年，2月5日5.4异方差的性质异方差的影响异方差的直观诊断1982年Engle在分析英国通货膨胀序列时，发现经典的ARIMA模型始终无法取得理想的拟合效果。经过研究他发现问题出现在残差序列具有异方差性。*第101页，共143页，星期日，2025年，2月5日白噪声检验延迟阶数统计量P值643.840.00011251.710.00011854.480.0001*第59页，共143页，星期日，2025年，2月5日差分后序列自相关图*第60页，共143页，星期日，2025年，2月5日差分后序列偏自相关图*第61页，共143页，星期日，2025年，2月5日*第62页，共143页，星期日，2025年，2月5日模型拟合定阶ARIMA((1,4),(1,4),0)参数估计*第63页，共143页，星期日，2025年，2月5日拟合效果图*第64页，共143页，星期日，2025年，2月5日乘积季节模型使用场合序列的季节效应、长期趋势效应和随机波动之间有着复杂地相互关联性，简单的季节模型不能充分地提取其中的相关关系构造原理短期相关性用低阶ARMA(p,q)模型提取季节相关性用以周期步长S为单位的ARMA(P,Q)模型提取序列具有季节效应，季节效应本身还具有相关性时，短期相关和季节效应之间具有乘积关系，模型结构如下*第65页，共143页，星期日，2025年，2月5日乘积季节模型ARIMA(p,d,q)×(P,D,Q)*第66页，共143页，星期日，2025年，2月5日例5.10:拟合1948——1981年美国女性月度失业率序列*第67页，共143页，星期日，2025年，2月5日差分平稳一阶、12步差分*第68页，共143页，星期日，2025年，2月5日差分后序列自相关图*第69页，共143页，星期日，2025年，2月5日差分后序列偏自相关图*第70页，共143页，星期日，2025年，2月5日ARIMA((1,12),(1,12),0)*第71页，共143页，星期日，2025年，2月5日ARIMA(0,(1,12),(1,2,12))*第72页，共143页，星期日，2025年，2月5日ARIMA((1,12),(1,12),(1,12))*第73页，共143页，星期日，2025年，2月5日ARIMA(1,1,1)×(0,1,1)12*第74页，共143页，星期日，2025年，2月5日乘积季节模型拟合模型定阶ARIMA(1,1,1)×(0,1,1)12参数估计*第75页，共143页，星期日，2025年，2月5日乘积季节模型拟合效果图*第76页，共143页，星期日，2025年，2月5日5.3残差自回归ARIMA模型是1970年Box和Jenkins提出来的，现在已经成为最经典的一种时间序列拟合模