平稳时间序列模型.pptVIP

检验统计量(ljung-boxtest)LB统计量R(Box.test)Box.test(x,lag=1,type=Ljung)例2.5续检验1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性残差白噪声序列检验结果延迟阶数LB统计量P值检验结论65.830.3229拟合模型显著有效1210.280.50501811.380.8361拟合模型识别自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列自相关系数1阶截尾偏自相关系数显示出典型非截尾的性质。综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1)例3.91880-1985全球气表平均温度改变值差分序列x-scan()-0.4-0.37-0.43-0.47-0.72-0.54-0.47-0.54-0.39-0.19-0.4-0.44-0.44-0.49-0.38-0.41-0.27-0.18-0.38-0.22-0.03-0.09-0.28-0.36-0.49-0.25-0.17-0.45-0.32-0.33-0.32-0.29-0.32-0.25-0.05-0.01-0.26-0.48-0.37-0.2-0.15-0.08-0.14-0.13-0.12-0.10.13-0.010.06-0.17-0.010.090.05-0.160.05-0.020.040.170.190.050.150.130.090.040.11-0.030.030.150.04-0.02-0.130.020.070.2-0.03-0.07-0.190.090.110.060.010.080.020.02-0.27-0.18-0.09-0.02-0.130.020.03-0.12-0.080.17-0.09-0.04-0.24-0.16-0.090.120.270.420.020.30.090.05x-diff(x)par(mfrow=c(3,1))ts.plot(x)acf(x)pacf(x)序列自相关图序列偏自相关图拟合模型识别自相关系数显示出不截尾的性质偏自相关系数也显示出不截尾的性质综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列参数估计待估参数个未知参数常用估计方法矩估计极大似然估计最小二乘估计矩估计原理样本自相关系数估计总体自相关系数样本一阶均值估计总体均值，样本方差估计总体方差例3.10:求AR(2)模型系数的矩估计AR(2)模型Yule-Walker方程矩估计（Yule-Walker方程的解）例3.11:求MA(1)模型系数的矩估计MA(1)模型方程矩估计例3.12:求ARMA(1,1)模型系数的矩估计ARMA(1,1)模型方程矩估计对矩估计的评价优点估计思想简单直观不需要假设总体分布计算量小（低阶模型场合）缺点信息浪费严重只用到了p+q个样本自相关系数信息，其他信息都被忽略估计精度差通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值极大似然估计原理在极大似然准则下，认为样本来自使该样本出现概率最大的总体。因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达到最大的参数值似然方程由于和都不是的显式表达式。因而似然方程组实际上是由p+q+1个超越方程构成，通常需要经过复杂的迭代算法才能求出未知参数的极大似然估计值对极大似然估计的评价优点极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质缺点需要假定总体分布最小二乘估计原理使残差平方和达到最小的那组参数值即为最小二乘估计值条件最小二乘估计实际中最常用的参数估计方法假设条件残差平方和方程解法迭代法对最小二乘估计的评价优点最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高条件最小二乘估计方法使用率最高缺点需要假定总体分布arima(x,order=c(0,0,0),seasonal