时间序列分析方法预测

(1)建立模型一个基本出发点是，所采用的模型越节俭越好，所要估计的参数越多，模型出现错误的可能性就越大。
(2)即使一个复杂的模型描述和模拟历史数据的能力很好，但是有时进行预测时的误差却很大。以前大型经济计量模型的失败则说明了这一点。
Box-Jenkins提出并倡导的预测方法主要步骤为：
(1)如果有必要，可以对数据进行变化，使得数据的协方差平稳性变得更为合理。
4.1.4线性投影和普通最小二乘回归
线性投影与最小二乘估计紧密相关，这两种概念之间存在联系。例如，将 基于 建立线性回归方程，得到：
对于给定 和 的T个样本，样本残差平方和定义为：
使得残差平方和达到最小的系数最小二乘估计为：
如果过程是协方差平稳过程且关于二阶矩是遍历的，则有：
因此上述OLS估计按概率收敛到线性投影系数：
上述预测公式说明，随着预测阶段的增加，预测值将趋于长期均值。对应的预测误差为：
随着预测阶段的增加，预测误差也趋于无条件方差 。
4.2.4预测一个 过程
对于一个平稳的 过程，可以利用Wiener-Kolmogorov预测公式进行预测。该公式的主要特点在于：它可以利用过去的过程观测值和未来的残差值表示预测值，然后未来的残差值利用期望去掉。
，
如果数据满足 过程，则上述偏自相关系数是渐近趋于零而非中断性的。
一种比较自然的偏自相关函数估计方法是利用线性回归进行，即利用普通最小二乘估计获得：
如果数据是由 过程生成的，那么偏自相关函数的方差可以表示为：
，
在假设检验时，可以知道当 时， 与 是渐近独立的。
例4.1中国实际GDP数据的时间序列模型
对于其他情形，可以分析具有相同自协方差函数的自回归系数的要求。
4.7.2两个移动平均过程之和
假设 是 过程， 是 过程，并且两个过程的残差在任何时点都不相关，则可以证明，他们的和过程满足过程 。
4.7.2两个自回归过程之和
假设随机过程 和 是两个 过程，满足：
其中 和 是两个在任何时点上都不相关的白噪声序列。假设我们可以观察到
这意味着预测值按照几何方式以速度 收敛到无条件均值。前1期预测由下式给出：
上式可以等价地表示为：
其中：
或者：
4.2.8预测一个 过程
综合上述各种预测情形，我们可以得到预测平稳 过程的方法。 过程可以表示为：
最优线性预测方程可以表示为：
其中 可以利用下述递推表示：
前 期预测为：
其中：
，
§4.2基于无限个观测值的预测
(2)对于描述平稳性数据的 模型的阶数做出一个初始的数值比较小的猜测。
(3)估计自回归和移动平均算子多项式中的系数。
(4)对模型进行诊断分析以确定所得到的模型确实与观测到的数据具有类似的特征。
其中数据变化主要根据经济时间序列的特征，对数序列的差分是非常常用的变换方法。时间序列模型的估计与诊断是后面讨论的主要内容。
4.8.4偏自相关函数
为了识别自回归过程的阶数，一个有用的度量方法是采用偏自相关函数。第 阶偏自相关系数(表示为 )定义为 关于它的最近 个值的线性投影的最后一个系数：
其中向量 可以利用下述方程计算：
上述命题将线性投影的系数与 过程的自协方差联系起来，这是一个需要证明的重要命题。如果数据满足 过程，则只有最近的 个 值用于预测，因此当阶数大于 以后，投影系数：
称为过程 的线性确定性成分，而 称为过程 的线性非确定性成分。如果 ，则称该过程是纯线性不确定性的。
4.8.2Box-Jenkins建模思想
任何时间序列数据都有自己的生成机制，但是如何揭示和描述时间序列的数据生成机制呢？这需要利用时间序列模型对数据生成机制进行逼近或者近似，这就需要寻求建立时间序列模型的基本过程。
4.1.5向量预测
上述结果可以推广到利用 维向量 预测 维向量 ，记为：
其中 为投影系数的一个 阶矩阵，满足正交条件：
上式说明预测误差 的每一个分量与条件变量 的每一个分量都无关。
命题4.2假设 是 的最小均方误差线性预测，则对任意 的线性组合 ，它的最小均方误差线性预测为：
证明：只需证明是线性投影即可，这时需要验证相应的正交性。End
根据线性投影的定义，我们可以求出投影的系数向量：
如果 是可逆的，则有：
命题4.1线性预测满足下述性质：
(1)最优线性预测的均方误差为：
(2)线性投影满足线性平移性质：
证明：(1)根据投影向量的表达式，可以得到：
化简就可以得到命题表达式。
(2)需要证明 是 的线性投影。显然，它是线性函数，其次，可以证明它满足正交性质。End
假设 表示根据 对于 做出的预测。那么如何度量预测效果呢？通常情况下，我们利用损失函数来度量预测效果的优劣。假设预测值与真实值之间的偏离作为损失，则简单的二次损失函数可以表示为(该度量也称为预测的均方误差)：
定理4.1使得预测均方误差达到最小的预测是给定 时，对 的条件数学期望，即：
证明：假设基于 对 的任意预测值为：
将1期预测代入得到：
(3) 过程的前 期预测根据叠代可以得到：
，
其中：
，
4.2.5预测一个 过程
继续考察一个 过程，可以利用滞后算子表示为：
，
利用Wiener-Kolmogorov预测公式进行预测，得到：
向前预测1期时有：
则预测值为：
当预测步长超过1时：
则预测值为：
4.2.6预测一个 过程
继续考察一个可逆的 过程：
其中 表示矩阵 中第 行、第 列元素，矩阵 为：
这时 阶段的最优预测为：
显然上述预测是均值基础上加上观测值的一个线性组合，是观测值的线性函数。
相应的预测误差为：
下面我们给出具体的预测推导过程：
(1)进行1个时期的预测，它满足：
(2)将时间开始阶段换为 ，得到：
根据多重投影定理断言，如果 的 期预测是 期信息的投影，则该预测也是 期进行的最优线性预测，则有：
利用Wiener-Kolmogorov预测公式进行预测，得到：
其中：
对于比较近期的预测( )有：
其中 可以利用下述递推表示：
对于比较远期的预测( )比较简单：
4.2.7预测一个 过程
过程可以表示为：
假设该过程是平稳的( )和可逆的( )，则：
其中：
代入到预测公式中：
注意到对于任意 ，预测值满足递推公式：
并且想利用 来对 进行预测。
为此，我们需要分析时间序列的结构。在特殊情形下，如果一旦自回归系数相同，或 ，则直接得到 的自回归表示：
如果 ，则有：
可以等价地表示为：
对应的要求为：
因此可以知道：
更为一般地，对于两个残差序列不相关的自回归过程而言：
它们相加可以得到一个 过程：
，
§4.8Wold分解和Box-Jenkins建模思想
类似地，投影矩阵为：
与此对应的均方误差矩阵为：
§4.2基于无限个观测值的预测
无论是条件期望预测还是正交线性预测，都是基于有限个条件变量的，下面我们分析基于无限个观测值情形下的预测。
4.2.1基于滞后误差的预测
考察一个无限阶移动平均过程 ：
， ，
假设已经知道过去所有时间阶段的残差观测值 ，也知道模型中各种参数的值。现在我们要预测 个阶段以后的 ，根据模型它应该是：
则此预测的均方误差为：
对上式均方误差进行分解，可以得到：
其中交叉项的数学期望为(利用数学期望的叠代法则)：
因此均方误差为：
为了使得均方误差达到最小，则有：
此时最优预测的均方误差为：
End
我们以后经常使用条件数学期望作为随机变量的预测值。
4.1.2基于线性投影的预测
由于上述条件数学期望比较难以确定，因此将预测函数的范围限制在线性函数当中，我们考虑下述线性预测：
显然，上述过程仍然具有零均值，它的自协方差函数可以表示为：
由此可见，随机过程 也是平稳过程，它的自协方差函数与 过程是类似的。此时，我们设想是否有一个 过程：
其中白噪声满足：
它具有与和过程一致的自协方差函数？
如何是这样，则要求白噪声的方差满足：
对于给定的参数： ，满足上述要求的 值为：
在特殊情形下，如果 ，则上式变为：
其中：
， ，
假设上述AR过程与MA过程之间滞后算子多项式的关系：
1.协方差平稳的 过程为：
表示成为算子多项式形式：
满足：
，
2.一个 过程可以表示成为：
也可以表示成为算子多项式形式：
在可逆性假设条件下，则有：
，
如果给出了观测值 ，可以在模型当中构造出残差序列 ，例如在 过程当中：
对于给定系数和 ，由上式可以计算出：
对此最优线性预测形式为：
这个预测值的对应误差为：
这个预测值的均方误差为：
例4.1试求 过程的最优线性预测。
解： 过程为：
，
则它的最优线性预测为：
对应的均方误差为：
上述预测具有清楚的含义，在时间间隔 以后，使用过程的均值进行预测，而方差是过程的无条件方差。
4.2.2基于滞后Y的预测
一般情况下，我们仅仅可以观察到Y的值，为此假设移动平均过程具有可逆表示：
在可逆的 过程当中，可以得到：：
上述公式也被称为Wiener-Kolmogorov预测公式。上述公式当中的算子是截断形式的算子表达式，算子表达式中将滞后算子的负指数项省略。
4.2.3预测一个 过程
对于一个平稳的 过程，可以将算子多项式表示成为：
利用上述公式，可以得到 阶段后的最优线性预测为：
平稳时间序列具有类似的性质，那么如果表示平稳时间序列的一般结构呢？Wold分解定理给出了一般的结论。
4.8.1Wold分解
定理4.3(Wold分解定理)任何零均值协方差平稳过程 可以表示成为如下形式：