第四章平稳时间序列模型的建立课件.ppt

《第四章平稳时间序列模型的建立课件.ppt》由会员分享，可在线阅读，更多相关《第四章平稳时间序列模型的建立课件.ppt（93页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、引言：对平稳时间序列建立模型一般要经过以下几步：1.模型识别：根据系统性质，以及所提供的时序据的概貌，提出一个相适的类型的模型、模型的定阶等。2.模型参数估计：就是根据实际的观测数据具体地确定该数学模型所包含的项数以及各项系数的数值。3.模型的诊断检验：包括模型的适应性检验等。4.模型的应用：如预测。本章主要介绍前三部分的内容。第五章 平稳时间序列模型的建立 假如某个观察值序列通过序列须处理，可以判定为平稳非假如某个观察值序列通过序列须处理，可以判定为平稳非白噪声序列，我们就可以利用模型对该序列朗。建模的基本步白噪声序列，我们就可以利用模型对该序列朗。建模的基本步骤如下：骤如下：1求出该观察值

2、序列的样本自相关系数求出该观察值序列的样本自相关系数(SACF)和样本偏和样本偏自相关系数自相关系数(PACF)的值。的值。2根据样本自相关系数和偏自相关系数的性质，模型进根据样本自相关系数和偏自相关系数的性质，模型进行拟合。行拟合。3估计模型中未知参数的值。选择阶数适当的估计模型中未知参数的值。选择阶数适当的ARMA(n,m)4检验模型的有效性。如果拟合模型通不过检验，转向检验模型的有效性。如果拟合模型通不过检验，转向步骤步骤2，重新选择模型再拟合。，重新选择模型再拟合。5模型优化。如果拟合模型通过检验，仍然转向步骤模型优化。如果拟合模型通过检验，仍然转向步骤2，充分考虑各种可能，建立多个拟

3、合模型，从所有通过检验的拟充分考虑各种可能，建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。合模型中选择最优模型。6利用拟合模型，预测序列的将来走势。利用拟合模型，预测序列的将来走势。第五章 平稳时间序列模型的建立第一节 平稳时间序列模型的识别第二节 模型的定阶第三节 ARMA模型参数估计第四节 模型的诊断检验第五节 建模的其它方法第五节 平稳时间序列模型实例第一节 平稳时间序列模型的识别一、模型识别前的说明二、模型识别方法返回本节首页下一页上一页一、模型识别前的说明（一）关于非平稳序列（一）关于非平稳序列 本章所介绍的是对零均值平稳序列零均值平稳序列建立ARMA模型，因此，在对实际

4、的序列进行模型识别之前，应首先检验序列是否平稳，若序列非平稳，应先通过适当变换将其化为平稳序列，然后再进行模型识别。返回本节首页下一页上一页序列的非平稳包括均值非平稳和方差非平稳。均值非平稳序列平稳化的方法：差分变换。方差非平稳序列平稳化的方法：对数变换、平方根变换等。序列平稳性的检验方法和手段主要有：序列趋势图、自相关图、单位根检验、非参数检验方法等等。（二）关于非零均值的平稳序列（二）关于非零均值的平稳序列非零均值的平稳序列有两种处理方法：设xt为一非零均值的平稳序列，且有E(xt)=方法一方法一:用样本均值 作为序列均值的估计，建模前先对序列作如下处理：令 然后对零均值平稳序列wt建模。

5、方法二 在模型识别阶段对序列均值是否为零不予考虑，而在参数估计阶段，将序列均值作为一个参数加以估计。以一般的ARMA(p,q)为例说明如下：将上式展开得：此时，所要估计的未知参数有p+q+1个。式中：在实际估计模型时，可将0看作一个常数估计，若0显著不为0，则0，此时0、有如上关系。若0显著为0，则可认为=0，在最终模型中将此常数项去掉即可。一般而言，后一种方法拟合的效果较好。（三）关于平稳序列均值是否为零的检验。方法一为检验=E(xt)=0可将样本均值 和均值的标准差 进行比较，若样本均值落在 的范围内，则可认为是零均值过程。的一般公式和几种特殊情况下的计算公式.二、模型识别方法（一）平稳序

6、列模型识别要领零均值平稳序列模型识别的主要根据是序列的自相关函数(ACF)和偏自相关函数(PACF)的特征。若序列xt的偏自相关函数 在kp以后截尾，即kp 时，而且它的自相关函数 拖尾，则可判断此序列是AR(p)序列。返回本节首页下一页上一页若序列xt的自相关函数 在kq以后截尾，即kq 时，而且它的偏自相关函数 拖尾，则可判断此序列是MA(q)序列。若序列xt的自相关函数、偏相关函数都呈拖尾形态，则可断言此序列是ARMA序列。若序列的自相关函数和偏自相关函数不但都不截尾，而且至少有一个下降趋势势缓慢或呈周期性衰减，则可认为它也不是拖尾的，此时序列是非平稳序列，应先将其转化为平稳序列后再进行

7、模型识别。（二）样本自相关函数(SACF)和偏自相关函数(SPACF)截尾性的判断。前面模型识别方法中有关自相关函数 、偏自相关函数 截尾性的判断仅是理论上的，实际上的样本自相关函数 和样本偏自相关函数 仅是理论上的一个估计值，由于样本的随机性，免不了有误差。因此需要根据SACF和SPACF对ACF和PACF的截尾性作一判断。1.样本自相关函数截尾性的判断方法理论上证明：若序列xt为MA(q)序列，则kq后，序列的样本自相关函数 渐近服从正态分布，即：故由正态分布理论可知：此处n是样本容量。对于kq，若 的个数不超过总个数的31.7%，或 的个数不超过总个数的4.5%，就可认为 在kq时是截尾

8、的。在实际进行检验实际进行检验时，可对每个k0，分别检验 （通常取 ）中满足 的个数所占的百分比是否超过31.7%，或满足 的个数是否超过4.5%。若k=1,2,q-1都超过了 而k=q时未超过，就可认为 在kq时是截尾的。2.样本偏自相关函数截尾性的判断方法可以证明：若序列xt为AR(p)序列，则kp后，序列的样本偏自相关函数 服从渐近正态分布，即近似的有：此处n表示样本容量。于是可得：在实际进行检验时，可对每个k0，分别检验 （通常取 ）中满足 的个数所占的百分比是否超过31.7%，或满足 的个数是否超过4.5%。若k=1,2,p-1都超过了 ，而k=p时未超过，就可认为 在kq时是截尾的

9、。（三）关于ARMA序列阶数的确定ARMA序列的阶数，直接通过自相关图较难确定，较常用的方法有Pandit-Wu方法。第二节 模型的定阶 模型的定阶又称模型的过拟合检验，分两种情况，一是评价模型是否包含过多的参数。二是评价模型是否参数不足，需要拟合额外的参数。模型定阶的准则主要有残差方差图定阶法、自相关函数(ACF)和偏自相关函数(PACF)、F检验定阶法、最佳准则函数法定阶法等等。返回本节首页下一页上一页第二节 模型的定阶一、残差方差图定阶法二、自相关函数和偏自相关函数法三、F检验定阶法四、最佳准则函数定法返回本节首页下一页上一页一、残差方差图定阶法1.基本思想如果拟合的模型阶数与真正阶数不

10、符合，则模型的残差平方和SSE必然偏大，残差方差 将比真正模型的残差方差大。如果是不足拟合，那么逐渐增加模型阶数，模型的残差方差会渐减少，直到残差方差达到最小。如果是过度拟合，此时逐渐少模型阶数，模型残差方差分逐渐下降，直到残差方差达到最小。返回本节首页下一页上一页2.残差方差的估计公式注：式中“实际观察值个数”是指拟合模型时实际使用的观察值项数，即经过平稳化后的有效样本容量。设原序列有n个样本，若建立的模型中有含有自回归AR部分,且阶数为p，则实际观察值个数为n-p个。若没有AR部分，则实际观察值个数即为n个。模型的参数个数指模型中所含的参数个数，如：若是不带常数项的ARMA(p,q)模型，

11、参数个数为p+q个，若带有常数项，则参数个数为p+q+1个。用Eviews建立ARMA模型后，可直接得到剩余平方和SSE(Sum squared resid)输出结果中也可直接得到残差标准差：S.E.of regression，此项的平方即为残差方差。因此，对不同的模型残差方差进行比较，直接比较此项既可。例：以zl14.wf1 磨轮剖面数据为例，分别建立适应性模型，输出结果见图示，从中选择最佳模型，三个模型残差方差比较三个模型残差方差比较二 自相关函数与偏自相关函数法 主要ARMA过程的统计特性，可以初步判断AR过程和MA过程的阶数，为进行下一步分析打下基础。三、F检验定阶法1.基本思想（以一

12、般情形和ARMA(p,q)模型为例）先对数据拟合ARMA(p,q)模型(假设不含常数项)，设其残差平方和为Q0，再对数据拟合 较低阶的模型ARMA(p-m,q-s)，设其残差平方和为Q1。建立原假设H0：返回本节首页下一页上一页在原假设成立的条件下有：于是计算统计量F，在给定的显著性水平下。若FF，则拒绝原假设，说明两模型差异是显著的，此时模型阶数存在升高的可能性。若F1）检验统计量检验统计量：Q统计量（Q statistic）其中，n为样本容量，m为滞后长度。Q近似地服从 。二 参数显著性检验目的检验每一个未知参数是否显著非零。删除不显著参数使模型结构最精简 假设条件检验统计量三、模型的平稳

13、性和可逆性分析（一）平稳性分析 若是AR(P)模型或ARMA(p,q)模型，其平稳性条件是自回归部分所对应的差分方程的特征方程的特征根必须都小于。若特征根有大于或等于1的，说明模型是非平稳的。特别是当特征根等于1或非常接近于1时，说明序列为单位根过程，此时需要对原序列进行适当的差分变换(有几个单位根，作几次差分)使其平稳，然后再对变换后的序列建模。返回本节首页下一页上一页(2)可逆性分析对于MA(q)和ARMA(p,q)模型，模型的可逆性条件是移动平均部分所对应的差分方程的特征都小于1。若有特征根大于1或等于1的，说明模型是非可逆的，此时要对序列作适当的变换，再建模。特别是当特征根有等于1或很

14、接近1，说明此模型有过度差分之误。因此，应适当减少差分阶数再建模，以使模型满足可逆性条件。Eviews 估计结果直接输出自回归部分所对应的差分方程的特征根:inverted AR root.移动平均部分所对应的差分方程的特征方程的特征根：inverted MA root.第五节 建模的其它方法引：前面介绍的是Box-Jenkins建模法，即主要是以ACF、PACF的统计特性为依据，但由于我们只能根据样本的SACF、SPACF代替理论的ACF、PACF，这样不可避免会产生偏差。本节主要介绍另外一种建模方法Pandit-wu方法。返回本节首页下一页上一页第五节 建模的其它方法一、Pandit-Wu

15、建模方法的基本思想二、建模步骤三、Pandit-Wu方法建模举例返回本节首页下一页上一页一、Pandit-Wu建模方法的基本思想（P113）Pandit-Wu建模方法以下面认识为依据：即任一平稳序列总可以用一个ARMA(p,p-1)模型来表示，而AR(p)，MA(q)以及ARMA(p,q)都可看作是ARMA(p,p-1)模型的特例。Pandit-Wu方法的基本思想为：逐渐增加模型的阶数，拟合较高阶的ARMA(p,p-1)模型，直到再增加模型的阶数而剩余平方和不显著减少为止。返回本节首页下一页上一页二、建模步骤(见p113114)(1)将序列平稳化、零均值化(也可将均值作为一个参数估计)。(2)从p=1开始，逐渐增加模型阶数，拟合ARMA(2p,2p-1)，并进行模型的适性检验。(3)选择最优模型。返回本节首页下一页上一页三、Pandit-Wu方法建模举例见Eviews操作。返回本节首页下一页上一页建模的其它方法还有长阶自回归法长阶自回归法，其理论依据是任一平稳序列，都可用一个足够高阶的AR模型(其实就是模型的逆转形式)来逼近所要求的精度。建模时，可先估计逆转形式的参数，然后利用逆函数和原模型参数间的关系，近似的求出原模型参数的估计值。具体方法见P116118。第六节 平稳时间序列模型实例返回本节首页下一页上一页应用举例Thank you very much!