平稳非白噪声序列计算样本相关系数模型识别参数估计.pptVIP

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例2.5续确定1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的口径(A-7)拟合模型：AR(1)估计方法：极大似然估计模型口径例3.8续确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径拟合模型：MA(1)估计方法：条件最小二乘估计模型口径例3.9续确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径拟合模型：ARMA(1,1)估计方法：条件最小二乘估计模型口径模型检验模型的显著性检验整个模型对信息的提取是否充分参数的显著性检验模型结构是否最简(1)—(2)逆函数逆转形式(3)—(4)逆函数逆转形式ARMA模型的定义具有如下结构的模型称为自回归移动平均模型，简记为特别当时，称为中心化模型系数多项式引进延迟算子，中心化模型又可以简记为阶自回归系数多项式阶移动平均系数多项式平稳条件与可逆条件ARMA(p,q)模型的平稳条件P阶自回归系数多项式的根都在单位圆外即ARMA(p,q)模型的平稳性完全由其自回归部分的平稳性决定ARMA(p,q)模型的可逆条件q阶移动平均系数多项式的根都在单位圆外即ARMA(p,q)模型的可逆性完全由其移动平滑部分的可逆性决定传递形式与逆转形式传递形式逆转形式ARMA(p,q)模型的统计性质均值协方差自相关系数ARMA模型的相关性自相关系数拖尾偏自相关系数拖尾例3.7:考察ARMA模型的相关性拟合模型ARMA(1,1):并直观地考察该模型自相关系数和偏自相关系数的性质。自相关系数和偏自相关系数拖尾性样本自相关图样本偏自相关图ARMA模型相关性特征模型自相关系数偏自相关系数AR(P)拖尾P阶截尾MA(q)q阶截尾拖尾ARMA(p,q)拖尾拖尾3.3平稳序列建模建模步骤模型识别参数估计模型检验模型优化序列预测建模步骤平稳非白噪声序列计算样本相关系数模型识别参数估计模型检验模型优化序列预测YN计算样本相关系数样本自相关系数样本偏自相关系数模型识别基本原则选择模型拖尾P阶截尾AR(P)q阶截尾拖尾MA(q)拖尾拖尾ARMA(p,q)模型定阶的困难因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的或仍会呈现出小值振荡的情况由于平稳时间序列通常都具有短期相关性，随着延迟阶数，与都会衰减至零值附近作小值波动？当或在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？样本相关系数的近似分布BarlettQ