平稳时间序列模型预测课件.pptVIP

*平穩時間序列模型預測時間序列分析預測的重要性時間序列分析的一個重要的目的是預測其未來值，就是根據以往積累的數據進行分析，先確定其時序模型的形式，然後對未來可能出現的結果進行預測。預測是計量經濟分析的重要部分，對某些人來說也許是最重要的部分。概括地說，在計量經濟學中依據時間序列數據進行經濟預測的方法有四種：(1)單一方程回歸模型；(2)聯立方程回歸模型；(3)自回歸移動平均模型；(4)向量自回歸模型。*第一節預測準則稱為的預測值或的h步預測值怎樣選取預測函數呢？直觀的想法是所選取的預測函數應能夠使預測誤差盡可能的小。這就需要確定一種準則，使得依據這種準則能衡量採用某種預測函數所得的預測誤差比採用別的預測函數所得的預測誤差小。*一、從幾何角度提出預測問題對在t+h的取值進行預測，我們所能利用的就是yt在t和以前時刻的取值所提供的資訊,也就是說是的函數，我們知道最簡單的函數是的線性函數，設為現在的問題是如何求出係數使得與最接近。*圖4.1在平面M上的投影從幾何圖形來看，離yt+h最近的是向量yt+h在平面M上的投影。*二、求解正交投影基於直到時刻t的資訊集對變數取值的預測記為，為獲得此預測必需指明相應的損失函數(lossfunction)。一個十分方便的結果是選取平方損失函數，即選取，使其均方誤差達到最小。容易知道，關於的條件期望是關於的最小均方誤差預測。這種預測具有許多優良性質，但其計算比較複雜。在許多的實際應用問題，我們更感興趣於在的線性函數類中尋求的預測。*例如時，可選取：假定我們已求得之值，使得預測誤差與無關即有成立則稱(4.1)式為yt+1關於的線性投影。並記為*三、最小均方誤差預測設隨機序列適合一個ARMA模型，即在已知的條件下，很自然會考慮到的線性函數這是一種比較容易處理而在使用中最有廣泛意義的情形。作為一個好的預測值，應該滿足預測的誤差越小越好，於是問題轉化為求使與之間的誤差最小。使預報的均方誤差最小的稱為線性最小均方預測。*綜上可得，yt+h的線性最小均方誤差預測為稱(4.5)式為線性最小均方誤差預測的傳遞函數形式。我們知道這是可以實現的，因為一個系統的參數完全可以由其格林函數確定。預測的殘差為預測誤差方差為*第二節ARMA模型預測前面我們對最小均方預測的基本原理進行了討論，所有的結論都是在平穩的條件下得到的。下麵我們求ARMA模型的最小均方預測。一、AR(p)模型的預測考慮一個AR(2)模型其向前一步的預測為一步預測的誤差方差為*向前二步的預測為注意到故二步的預測誤差的方差為*更一般的情形，遵從AR(p)的序列滿足隨機差分方程由差分方程很容易得到AR(p)的最小均方誤差預測公式為再根據(4.9)式，AR(p)模型的遞推預報公式為：………………..*…………….由上式可以看出，AR(p)模型的最小均方預測公式比較簡單，只要知道這p個歷史值便可以得到任意步長的平穩線性最小均方預測。正是因為AR模型的建模與預測的簡單性，所以它成為預測問題中應用得最為廣泛的時間序列模型。*二、MA(q)模型的最小均方預測對於MA(q)模型我們可以得到預測值的遞推公式為分析預測公式(4.11)，可以看出MA模型的最佳預測具有以下兩個特點：(4.11)*(1)MA(q)模型只能對未來進行q步預測，當hq時，預測值為零(時間序列均值為零)；因此當模型階數較低時，MA模型只能進行短期預測；(2)MA模型預測中使