变系数模型下变窗宽局部M - 估计的理论与应用探究.docxVIP

变系数模型下变窗宽局部M-估计的理论与应用探究

一、引言

1.1研究背景与动机

在时间序列分析领域，经典的线性模型，如自回归移动平均（ARMA）模型及其变种差分整合移动平均自回归模型（ARIMA），长期以来被广泛应用于捕捉时间序列的规律。这些模型基于时间序列数据具有线性关系、平稳性以及恒定方差的假设，通过识别时间序列的自相关和偏自相关结构来建立预测模型。在实际应用中，众多时间序列并不满足这些假设条件。金融市场中的股票价格序列，常常呈现出非平稳性，其均值和方差会随时间发生显著变化，且波动具有聚集性，即大幅波动和小幅波动往往会集中出现；又如气象领域的气温时间序列，也可能受到季节、气候变化等因素影响，表现出非平稳特征和变方差特性。

当使用经典线性模型处理这些非平稳、变方差的时间序列数据时，由于模型无法准确捕捉数据的真实特征，会导致参数估计偏差较大，进而使预测精度大幅下降。在股票价格预测中，若使用ARIMA模型，可能会因为无法有效处理价格序列的波动聚集性和非平稳性，对价格走势做出错误的判断和预测，给投资者带来巨大的经济损失；在气温预测方面，经典线性模型可能无法准确反映气温的季节性变化和异常波动，影响气象预报的准确性，对农业生产、能源供应等相关领域的决策造成误导。因此，发展新的方法来处理这些复杂的时间序列数据迫在眉睫。

变系数模型作为一种非线性模型，能够有效处理非平稳性和变方差