第七章平稳时间序列预测法eqe.pptx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《第七章平稳时间序列预测法eqe.pptx》由会员分享,可在线阅读,更多相关《第七章平稳时间序列预测法eqe.pptx(83页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、7 平稳时间序列预测法7.1 概述7.2 时间序列的自相关分析7.3 单位根检验和协整检验7.4 ARMA模型的建模 7.1 概 述时间序列取自某一个随机过程,则称:一、平稳时间序列过程是平稳的随机过程的随机特征不随时间变化而变化过程是非平稳的随机过程的随机特征随时间变化而变化 宽平稳时间序列的定义:设时间序列,对于任意的t,k和m,满足:则称 宽平稳。严平稳时间序列的定义:所有的统计特性不随时间的平移而变化qBox-Jenkins基本思想:用数学模型描述时间序列自身的相关性,并假定这种自相关性一直延续,用该模型预测未来的值。qARMA模型是描述平稳随机序列的最常用的一种模型。qBox-Jen
2、kins方法提供了对时间序列进行分析、预测,以及对ARMA模型识别、估计和诊断的系统方法。ARMA模型的三种基本形式:q 自回归模型(AR:Auto-regressive);q 移动平均模型(MA:Moving-Average);q 混合模型(ARMA:Auto-regressiveMoving-Average)。如果时间序列满足其中是独立同分布的随机变量序列,且满足:则称时间序列 服从p阶自回归模型。二、自回归模型滞后算子多项式的根均在单位圆外,即的根大于1。自回归模型的平稳条件:例1 AR(1)模型的平稳性条件。对1阶自回归模型AR(1)方程两边平方再求数学期望,得到Xt的方差由于Xt仅与
3、 t相关,因此,E(Xt-1t)=0。如果该模型稳定,则有E(Xt2)=E(Xt-12),从而上式可变换为:在稳定条件下,该方差是一非负的常数,从而有|1。而AR(1)的特征方程的根为 z=1/AR(1)稳定,即|1,意味着特征根大于1。对高阶自回模型AR(p)来说,多数情况下没有必要直接计算其特征方程的特征根,但有一些有用的规则可用来检验高阶自回归模型的稳定性:(1)AR(p)模型稳定的必要条件是:1+2+p1(2)由于i(i=1,2,p)可正可负,AR(p)模型稳定的充分条件是:|1|+|2|+|p|1 如果时间序列 满足 则称时间序列 服从q阶移动平均模型。或者记为。三、移动平均模型MA
4、(q),平稳条件:任何条件下都平稳。对于移动平均模型MR(q):Xt=t-1t-1-2t-2-qt-q 其中t是一个白噪声,于是 MA(q)模型的平稳性 当滞后期大于q时,Xt的自协方差系数为0。因此:有限阶移动平均模型总是平稳的。通常希望AR过程与过程能相互表出,即过程可逆。如移动平均模型MA():可逆条件:的根均在单位圆外可逆条件:四、ARMA(p,q)模型如果时间序列 满足则称时间序列 服从(p,q)阶自回归移动平均模型。或者记为:平稳条件:的根均在单位圆外可逆条件:的根均在单位圆外 将纯AR(p)与纯MA(q)结合,得到一个一般的自回归移动平均(autoregressive movin
5、g average)过程ARMA(该式表明:(1)一个随机时间序列可以通过一个自回归移动平均过程生成,即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。(2)如果该序列是平稳的,即它的行为并不会随着时间的推移而变化,那么我们就可以通过该序列过去的行为来预测未来。这也正是随机时间序列分析模型的优势所在。例题分析设,其中A与B为两个独立的零均值随机变量,方差为1;为一常数。试证明:宽平稳。证明:均值为0,只与ts有关,所以宽平稳。建立时间序列模型,首先应判断时间序列的特性,判断是否满足建模条件。法建模主要解决两个问题:()分析时间序列的随机性,平稳性和季节性()找出生成它的合适的随机过程或模
6、型,即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。所使用的工具主要是时间序列的自相关函数(autocorrelation function,ACF)及偏自相关函数(partial autocorrelation function,PACF)。7.2 时间序列的自相关分析 q自相关分析法是进行时间序列分析的有效方法,它简单易行,较为直观,根据绘制的自相关分析图和偏自相关分析图,我们可以初步地识别平稳序列的模型类型和模型阶数。q利用自相关分析法可以测定时间序列的随机性和平稳性,以及时间序列的季节性。一、自相关分析(1)自相关函数的定义 滞后期为k的自协方差函数为:则自相关
7、函数为:其中:当序列平稳时,自相关函数可写为:(2)样本自相关函数其中:q 样本自相关函数可以说明不同时期的数 据之间的相关程度,其取值范围在1到 1之间,值越接近于1,说明时间序列的 自相关程度越高。(3)样本的偏自相关函数在给定了 的条件下,与滞后k期时间序列之间的条件相关。换句话说:偏自相关是对之间未被所解释的相关度量。从t中去掉t-1的影响,则只剩下随机扰动项t,显然它与t-2无关,因此我们说t与t-2的偏自相关系数为零。在AR(1)中,同样地,在AR(p)过程中,对所有的kp,t与t-k间的偏自相关系数为零。样本的偏自相关函数的计算其中:1、时间序列的随机性,是指时间序列各项之间没有
8、相关关系的特征。使用自相关分析图判断时间序列的随机性,一般给出如下准则:q若时间序列的自相关函数基本上都落入置信区间,则该时间序列具有随机性;q若较多自相关函数落在置信区间之外,则认为该时间序列不具有随机性。时间序列特性分析注:在B-J方法中,测定时间序列的随机性,多用于模型残差,以评价模型优劣。2、判断时间序列是否平稳,是一项很重要的工作。运用自相关分析图判定时间序列平稳性的准则是:q若时间序列的自相关函数在k3时都落入置 信区间,且逐渐趋于零,则该时间序列具有平稳性;q若时间序列的自相关函数更多地落在置信区间外面,则该时间序列不具有平稳性。注:在B-J方法中,只有平稳的时间序列才能建立AR
9、MA模型,否则必须经过适当的处理使序列满足平稳性要求。例对某种趋势的时间序列进行差分处理。但很多序列不能通过差分达到平稳,而且差分虽然消除了序列的趋势易于建模,但也消除了序列的长期特征,实际的经济序列差分一般不超过两次。3、时间序列的季节性判定准则:q月度数据,考察k=12,24,36,时的自相关系数是否与0有显著差异;q季度数据,考察k=4,8,12,时的自相关系数是否与0有显著差异。注1:实际问题中常遇到季节性和趋势性同时存在的情况,应先剔除序列趋势性,在识别季节性。注2:包含季节性的时间序列也不能直接建模,应先进行季节差分消除,季节差分一般不超过一阶。三、ARMA模型的自相关分析 qAR
10、(p)模型的偏自相关函数是以p步截尾的,自相关函数拖尾;qMA(q)模型的自相关函数具有q步截尾性,偏自相关函数拖尾;(可用以上两个性质来识别AR和MA模型的阶数)qARMA(p,q)模型的自相关函数和偏相关函数都 是拖尾的。图 ARMA(p,q)模型的ACF与PACF理论模式 ACF PACF 模型1:t t tX Xe+=-17.00.00.20.40.60.81 2 3 4 5 6 7 8ACF10.00.20.40.60.81 2 3 4 5 6 7 8PACF17.4 ARMA 模型的建模 一、模型阶数的确定(1)基于自相关函数和偏相关函数的定阶方法 对于ARMA(p,q)模型,可以
11、利用其样本的自相关函数和样本偏自相关函数的截尾性判定模型的阶数。q如果样本的偏自相关函数是以p步截尾的,模型为AR(p);q如果样本的自相关函数具有q步截尾性,模型为MA(q);q如果样本的自相关函数和偏相关函数都是拖尾的,模型为ARMA(p,q)。(1)自相关函数的截尾性统计检验:q对于每一个q,计算.(M 取为或者),对于MA(q)模型,当kq时,q q考察其中满足 的个数是否占M个的68.3%或者95.5%以上。(2)偏自相关函数的截尾性统计检验:q对于每一个p,计算(M 取为或者),对于AR(p)模型,当kp时,q q考察其中满足 的个数是否占M个的68.3%或者95.5%以上。q 如
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 第七 平稳 时间 序列 预测 eqe
![提示](https://www.deliwenku.com/images/bang_tan.gif)
限制150内