第四章时间序列分析

合集下载
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

对于AR模型:
n ˆ BIC (n) = ln σ ( n ) + ln N N
2 a
若某一阶数n/0满足
BIC (n ) = min BIC (n)
/ 0 1≤ n ≤ M ( n )
则取n/0为最佳阶数。
• 还可以定义其它类型的准则函数,如
n ˆ BIC1 (n) = ln σ ( n ) + C ln N N
2 2
若Q < χ2α ( K - n - m) ,则接受H0。 若Q > χ2α ( K - n - m) ,则拒绝H0。 • 正态性检验 常用J-B检验
• 异方差检验 White检验 残差平方列自相关检验 ARCH LM检验等
L( N ) k =1
∑[
N ρ k ( N , at )] ~ χ ( L( N ) − p − q)
ˆ (1 + 2∑ ρ ) = 95.5% l =1
m 2 l
• 拖尾:即被负指数控制收敛于零。 • 若序列自相关函数和偏自相关函数无以 上特征,而是出现缓慢衰减或周期性衰 减情况,则说明序列不是平稳的。 • 例:见演示试验。
第二节 模型的定阶
• 自相关函数和偏自相关函数定阶法 自相关函数和偏自相关函数不但可 以用来进行模型的识别,同样也可以用 来进行AR模型和MA模型的定阶。 该方法对ARMA模型定阶较为困难, 同时,用该方法定的阶数也只能作为初 步参考值。
2 a
式中常数C用来在拟合残差与参数个数之间 权衡
第三节 参数估计
一、矩估计
•自回归模型的参数估计:采用YULE-WALKER方程
ρ 1 = φ 1 ρ 0 + φ 2 ρ 1 + L + φ n ρ n −1 ρ = φ ρ +φ ρ +L +φ ρ 2 1 1 2 2 n n−2 M ρ n = φ 1 ρ n −1 + φ 2 ρ n − 2 + L + φ n ρ 0
•AIC定阶
该方法由日本人赤池提出可用于AR模型或ARMA模型定阶 基本思想:建立模型时,根据准则函数取值来判断模型的优 劣,使准则函数达到极小的是最佳模型,该准则是在模型极 大似然估计的基础上建立起来的。 基本理论:最小信息准则AIC函数的一般形式:
AIC = −2ln(模型的极大似然度) + (模型独立参数的个数)
• 显著性检验 常用的有t检验和F检验
•约束性检验 检验常用的分布也是F分布
at
•相关性检验 散点图法 相关系数法 自相关和偏自相关图 F检验法 卡方检验法
当N很大时, N ρ i ~ N (0,1)
(i = 1,2,L, k )
并且这k个量近似为相互独立的正态分布,
于是检验序列的独立性问题转化为检验
• 残差方差定阶法 残差方差定阶法借用了统计学中多 元回归的原理。 假定模型是有限阶的自回归模型, 如果选择的阶数小于真正的阶数,则是 一种不足拟合,因而剩余平方和必然偏 大,残差方差也将偏大;如果选择的阶 数大于真正的阶数,则是一种过度拟合, 残差方差并不因此而显著减小。
• AR、MA、ARMA三种模型的残差方差 估计式分别为:
式中“模型极大似然度”一般用似然函数表示。
设样本长度N充分大时,ARMA模型得到近似极大似然估 计的对数似然函数为:
ˆ N S (β ) N N 2 2 ˆ ˆ ln L ≈ ln σ + = ln σ + 2 ˆ 2 2 2 2σ
于是得到采用ARMA(n,m)模型拟合的AIC准则函数: ARMA n,m AIC
•最小二乘估计(LS) 最小二乘估计( ) 最小二乘估计 线性最小二乘估计 非线性最小二乘估计:高斯 牛顿法 最速下降法; 牛顿法; 非线性最小二乘估计:高斯-牛顿法;最速下降法; AR模型通常采用线性最小二乘估计,MA模型和 模型通常采用线性最小二乘估计, 模型通常采用线性最小二乘估计 模型和 ARMA模型采用非性最小二乘估计。 模型采用非性最小二乘估计。 模型采用非性最小二乘估计 AR模型的 估计是渐近一致的 , 若 at 为正态列 , 模型的LS估计是渐近一致的 为正态列, 模型的 估计是渐近一致的, 其还是渐近有效的。 其还是渐近有效的 。 t, F统计检验为渐近有效检 统计检验为渐近有效检 验。
2 2
ˆ AIC ( n, m) = N ln σ 2 + 2(n + m + 1)
对于AR模型,AIC函数可取:
ˆ AIC (n) = ln σ
2 a
( n ) + 2n / N
对事先给好最高阶数M(n),若
AIC (n0 ) = min AIC (n)
1≤ n ≤ M ( N )
则取n0为最佳模型阶数。

时间序列模型建立流程
• 判定 ρ k 在m步之后截尾的做法是:
m 1 ˆ ρ k ~ N (0, (1 + 2∑ ρ l2 )) N l =1
• 判定ϕ kk在n步之后截尾的做法是: 1 ˆ ϕ kk ~ N ( 0 , ) N
2 ˆ P φ kk ≤ = 95.5% N
2 ˆk ≤ P ρ N
• BIC定阶
理论上AIC准则不能给出模型阶数的相容估计,即 当样本趋于无穷大时,由AIC准则选择的模型阶数不能 收敛到其真值(通常比真值高)。另一个定阶选择是 BIC准则:
ˆ 2 ( K ) + K ln N BIC ( K ) = N ln σ
其中K是模型的自由参数个数,对于 ARMA(n,m)模型,K=n+m+1。
ˆ ˆ ˆ Q (ϕ 1 , ϕ 2 ,..., ϕ n ) AR模型: σ ( n ) = ˆ ( N − n) − n
2 a
MA模型: ARMA模型:
Q(θˆ1 ,θˆ2 ,...,θˆm ) ˆ2 σ a ( n) = N −m
ˆ ˆ ˆ Q(ϕ1 , ϕ 2 ,..., ϕ n ,θˆ1 ,θˆ2 ,...,θˆm ) 2 ˆ σ a ( n) = ( N − n) − n − m
• F检验定阶法
基本思想:首先用ARMA(n,m)对进行过度拟合, 再令φn ,θ m 高阶系数中某些取值为零,用F检验判 定阶数降低之后的模型与ARMA(n,m)之间是否 存在显著性差异。如果有显著性差异,阶数能 够升高;如果没有差异,阶数可以降低。
• 最佳准则函数定阶法
原理:构造一个准则函数,该函数既要 考虑用某一模型对原始数据拟合的接近程度 (残差的大小),同时又要考虑模型中所含 待定参数的个数。建模时,根据函数的取值 确定模型优劣,使准则函数值达到最小的模 型是最佳模型。 此方法中最常用的AIC定阶和BIC定阶。
第四章 平稳时间序列模型的建立
第一节 模型的识别
• 单变量时间序列的Box-Jenkins模型识别 方法主要是根据样本自相关和偏自相关 函数的截尾和拖尾性来判断序列所适合 的模型。
平稳序列的自相关函数和偏自相关函数的统计特性
模型
AR(n)
MA(m)
ARMA(n,m)
自相关函数
拖尾
截尾
拖尾
偏自相关函数
上述方程为非线性方程,通常要用特定的数值计算方 法求解。
•自回归移动平均模型的参数矩估计:
将模型分成两个部分,先对 部分应用 部分应用YULE将模型分成两个部分,先对AR部分应用 WALKER方程,计算得到剩余序列,对剩余序 方程, 方程 计算得到剩余序列, 列应用MA模型的参数估计方法 模型的参数估计方法。 列应用 模型的参数估计方法
截尾
拖尾
拖尾
wenku.baidu.com
检验序列的零均值性和平稳性 否则进行零均值化和平稳化
模型识别 用相关图和偏相关图识别模型的类型
模型定阶 确定ARIMA中的参数d, p, q
参数估计 矩、OLS、ML等 对初步选取的模型进行参数估计 诊断与检验 包括参数的显著性检验和 残差的随机性检验
NO 模型可取吗 YES 模型应用
N ρ k ( N , at ) ~ NID(0,1)
N k = 1,2,L, L( N ) L( N ) = [ ]或[ N ] 10
H 0 : N ρ k ( N , at ) ~ NID(0,1)
在原假设成立的条件下,有
L( N ) k =1
∑[
N ρk ( N, at )] ~ χ (L( N ) − n − m)
σ 可以由σ = γ 0 −ϕ1γ1 −ϕ2γ 2 −... −ϕnγ n得出
2 a 2 a
•移动平均模型的参数估计
γ 0 = (1+θ +L+θ )σ k =0 2 γ k = γ k = (−θk +θk+1θ1 +L+θk+1θm−k )σ 1≤ k ≤ m 0 k >m
2 1 2 m 2
•极大似然估计(ML) 极大似然估计( 极大似然估计 )
极大似然估计有条件极大似然估计和完全极大似 然估计之分。 然估计之分。 最小二乘估计是条件极大似然估计。 最小二乘估计是条件极大似然估计。
第四节 模型的检验
• 参数估计值检验 显著性检验 约束性检验 • 残差序列的检验 相关性检验 正态性检验 异方差检验
相关文档
最新文档