非平稳序列的随机分析.pptVIP

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DW统计量构造统计量DW统计量和自相关系数的关系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。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0.13781.421.530.0001Durbinh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。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残差序列拟合确定自回归模型的阶数参数估计模型检验例5.6续对第一个确定性趋势模型的残差序列进行拟合残差序列自相关图残差序列偏自相关图par(mfrow=c(2,2))acf(r1)pacf(r1)acf(r2)pacf(r2)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例5.6第二个Auto－Regressive模型的拟合结果r0=diff(x1)arima(r0,order=c(0,0,1))r1=resid(lm(x1~c(1:length(x1))))arima(r1,order=c(2,0,0))r2=resid(lm(x1[-1]~x1[-length(x1)]-1))arima(r2,order=c(1,0,0))lmx=lm(x1~c(1:length(x1)))lines(fitted(lmx),col=red)ts.plot(x1[-1])lmx2=lm(formula=x1[-1]~x1[-length(x1)]-1)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模型二：250.6317253.79875.4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。异方差直观诊断残差图残差平方图残差图方差齐性残差图递增型异方差残差图残差平方图原理残差序列的方差实际上就是它平方的期望。所以考察残差序列是否方差齐性，主要是考察残差平方序列是否平稳例5.11直观考察美国1963年4月——1971年7月短期国库券的月度收益率序列的方差齐性。一阶差分后残差图一阶差分后残差平方图异方差处理方法假如已知异方差函数具体形式，进行方差齐性变化假如不知异方差函数的具体形式，拟合条件异方差模型5.5方差齐性变换使用场合序列显示出显著的异方差性，且方差与均值之间具有某种函数关系其中：是某个已知函数处理思路尝试寻找一个转换函数，使得经转换后的变量满足方差齐性par(mfrow=c(2,2))ts.plot(Z1)Z2=diff(Z1)Z3=diff(Z2,lag=4)ts.plot(Z3)acf(Z3)pacf(Z3)mar=arima(Z3,order=c(4,0,0))yr=resid(mar)Box.test(yr,lag=6,type=Ljung)Box.test(yr,lag=12,type=Ljung)ct=abs(mar$coef)/sqrt(diag(mar$var.coef))1-pnorm(ct)模型检验残差白噪声检验参数显著性检验延迟阶数统计量P值待估参数统计量P值62.090.71915.480.00011210.990.3584-3.410.0001拟合效果图乘积季节模型使用场合序列的季节效应、长期趋势效应