第三章 平穩(wěn)時間序列分析.ppt_第1頁
第三章 平穩(wěn)時間序列分析.ppt_第2頁
第三章 平穩(wěn)時間序列分析.ppt_第3頁
第三章 平穩(wěn)時間序列分析.ppt_第4頁
第三章 平穩(wěn)時間序列分析.ppt_第5頁
已閱讀5頁,還剩148頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、第三章,平穩(wěn)時間序列分析,本章結(jié)構(gòu),方法性工具 ARMA模型 平穩(wěn)序列建模 序列預(yù)測,3.1 方法性工具,差分運(yùn)算 延遲算子 線性差分方程,差分運(yùn)算,一階差分 階差分 步差分,延遲算子,延遲算子類似于一個時間指針,當(dāng)前序列值乘以一個延遲算子,就相當(dāng)于把當(dāng)前序列值的時間向過去撥了一個時刻 記B為延遲算子,有,延遲算子的性質(zhì),,其中,用延遲算子表示差分運(yùn)算,階差分 步差分,線性差分方程,線性差分方程 齊次線性差分方程,齊次線性差分方程的解,特征方程 特征方程的根稱為特征根,記作 齊次線性差分方程的通解 不相等實數(shù)根場合 有相等實根場合 復(fù)根場合,非齊次線性差分方程的解,非齊次線性差分方程的特解 使

2、得非齊次線性差分方程成立的任意一個解 非齊次線性差分方程的通解 齊次線性差分方程的通解和非齊次線性差分方程的特解之和,3.2 ARMA模型的性質(zhì),AR模型(Auto Regression Model) MA模型(Moving Average Model) ARMA模型(Auto Regression Moving Average model),AR模型的定義,具有如下結(jié)構(gòu)的模型稱為 階自回歸模型,簡記為 特別當(dāng) 時,稱為中心化 模型,AR(P)序列中心化變換,稱 為 的中心化序列 ,令,自回歸系數(shù)多項式,引進(jìn)延遲算子,中心化 模型又可以簡記為 自回歸系數(shù)多項式,AR模型平穩(wěn)性判別,判別原因 A

3、R模型是常用的平穩(wěn)序列的擬合模型之一,但并非所有的AR模型都是平穩(wěn)的 判別方法 單位根判別法 平穩(wěn)域判別法,例3.1:考察如下四個模型的平穩(wěn)性,例3.1平穩(wěn)序列時序圖,例3.1非平穩(wěn)序列時序圖,AR模型平穩(wěn)性判別方法,特征根判別 AR(p)模型平穩(wěn)的充要條件是它的p個特征根都在單位圓內(nèi) 根據(jù)特征根和自回歸系數(shù)多項式的根成倒數(shù)的性質(zhì),等價判別條件是該模型的自回歸系數(shù)多項式的根都在單位圓外 平穩(wěn)域判別 平穩(wěn)域,AR(1)模型平穩(wěn)條件,特征根 平穩(wěn)域,AR(2)模型平穩(wěn)條件,特征根,平穩(wěn)域,例3.1平穩(wěn)性判別,平穩(wěn)AR模型的統(tǒng)計性質(zhì),均值 方差 協(xié)方差 自相關(guān)系數(shù) 偏自相關(guān)系數(shù),均值,如果AR(p)

4、模型滿足平穩(wěn)性條件,則有 根據(jù)平穩(wěn)序列均值為常數(shù),且 為白噪聲序列,有 推導(dǎo)出,Green函數(shù)定義,AR模型的傳遞形式 其中系數(shù) 稱為Green函數(shù),Green函數(shù)遞推公式,原理 方法 待定系數(shù)法 遞推公式,方差,平穩(wěn)AR模型的傳遞形式 兩邊求方差得,例3.2:求平穩(wěn)AR(1)模型的方差,平穩(wěn)AR(1)模型的傳遞形式為 Green函數(shù)為 平穩(wěn)AR(1)模型的方差,協(xié)方差函數(shù),在平穩(wěn)AR(p)模型兩邊同乘 ,再求期望 根據(jù) 得協(xié)方差函數(shù)的遞推公式,例3.3:求平穩(wěn)AR(1)模型的協(xié)方差,遞推公式 平穩(wěn)AR(1)模型的方差為 協(xié)方差函數(shù)的遞推公式為,例3.4:求平穩(wěn)AR(2)模型的協(xié)方差,平穩(wěn)AR

5、(2)模型的協(xié)方差函數(shù)遞推公式為,自相關(guān)系數(shù),自相關(guān)系數(shù)的定義 平穩(wěn)AR(P)模型的自相關(guān)系數(shù)遞推公式,常用AR模型自相關(guān)系數(shù)遞推公式,AR(1)模型 AR(2)模型,AR模型自相關(guān)系數(shù)的性質(zhì),拖尾性 呈復(fù)指數(shù)衰減,例3.5:考察如下AR模型的自相關(guān)圖,例3.5,自相關(guān)系數(shù)按復(fù)指數(shù)單調(diào)收斂到零,例3.5:,例3.5:,自相關(guān)系數(shù)呈現(xiàn)出“偽周期”性,例3.5:,自相關(guān)系數(shù)不規(guī)則衰減,偏自相關(guān)系數(shù),定義 對于平穩(wěn)AR(p)序列,所謂滯后k偏自相關(guān)系數(shù)就是指在給定中間k-1個隨機(jī)變量 的條件下,或者說,在剔除了中間k-1個隨機(jī)變量的干擾之后, 對 影響的相關(guān)度量。用數(shù)學(xué)語言描述就是,偏自相關(guān)系數(shù)的計

6、算,滯后k偏自相關(guān)系數(shù)實際上就等于k階自回歸模型第個k回歸系數(shù)的值。,偏自相關(guān)系數(shù)的截尾性,AR(p)模型偏自相關(guān)系數(shù)P階截尾,例3.5續(xù):考察如下AR模型的偏自相關(guān)圖,例3.5,理論偏自相關(guān)系數(shù),樣本偏自相關(guān)圖,例3.5:,理論偏自相關(guān)系數(shù),樣本偏自相關(guān)圖,例3.5:,理論偏自相關(guān)系數(shù),樣本偏自相關(guān)圖,例3.5:,理論偏自相關(guān)系數(shù),樣本偏自相關(guān)系數(shù)圖,MA模型的定義,具有如下結(jié)構(gòu)的模型稱為 階自回歸模型,簡記為 特別當(dāng) 時,稱為中心化 模型,移動平均系數(shù)多項式,引進(jìn)延遲算子,中心化 模型又可以簡記為 階移動平均系數(shù)多項式,MA模型的統(tǒng)計性質(zhì),常數(shù)均值 常數(shù)方差,MA模型的統(tǒng)計性質(zhì),自協(xié)方差函

7、數(shù)P階截尾,自相關(guān)系數(shù)q階截尾,常用MA模型的自相關(guān)系數(shù),MA(1)模型,MA(2)模型,MA模型的統(tǒng)計性質(zhì),偏自相關(guān)系數(shù)拖尾,例3.6:考察如下MA模型的相關(guān)性質(zhì),MA模型的自相關(guān)系數(shù)截尾,MA模型的自相關(guān)系數(shù)截尾,MA模型的偏自相關(guān)系數(shù)拖尾,MA模型的偏自相關(guān)系數(shù)拖尾,MA模型的可逆性,MA模型自相關(guān)系數(shù)的不唯一性 例3.6中不同的MA模型具有完全相同的自相關(guān)系數(shù)和偏自相關(guān)系數(shù),可逆的定義,可逆MA模型定義 若一個MA模型能夠表示稱為收斂的AR模型形式,那么該MA模型稱為可逆MA模型 可逆概念的重要性 一個自相關(guān)系數(shù)列唯一對應(yīng)一個可逆MA模型。,可逆MA(1)模型,MA模型的可逆條件,MA

8、(q)模型的可逆條件是: MA(q)模型的特征根都在單位圓內(nèi) 等價條件是移動平滑系數(shù)多項式的根都在單位圓外,逆函數(shù)的遞推公式,原理 方法 待定系數(shù)法 遞推公式,例3.6續(xù):考察如下MA模型的可逆性,(1)(2),逆函數(shù) 逆轉(zhuǎn)形式,(3)(4),逆函數(shù) 逆轉(zhuǎn)形式,ARMA模型的定義,具有如下結(jié)構(gòu)的模型稱為自回歸移動平均模型,簡記為 特別當(dāng) 時,稱為中心化 模型,系數(shù)多項式,引進(jìn)延遲算子,中心化 模型又可以簡記為 階自回歸系數(shù)多項式 階移動平均系數(shù)多項式,平穩(wěn)條件與可逆條件,ARMA(p,q)模型的平穩(wěn)條件 P階自回歸系數(shù)多項式 的根都在單位圓外 即ARMA(p,q)模型的平穩(wěn)性完全由其自回歸部分

9、的平穩(wěn)性決定 ARMA(p,q)模型的可逆條件 q階移動平均系數(shù)多項式 的根都在單位圓外 即ARMA(p,q)模型的可逆性完全由其移動平滑部分的可逆性決定,傳遞形式與逆轉(zhuǎn)形式,傳遞形式,逆轉(zhuǎn)形式,ARMA(p,q)模型的統(tǒng)計性質(zhì),均值 協(xié)方差 自相關(guān)系數(shù),ARMA模型的相關(guān)性,自相關(guān)系數(shù)拖尾 偏自相關(guān)系數(shù)拖尾,例3.7:考察ARMA模型的相關(guān)性,擬合模型ARMA(1,1): 并直觀地考察該模型自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì)。,自相關(guān)系數(shù)和偏自相關(guān)系數(shù)拖尾性,樣本自相關(guān)圖,樣本偏自相關(guān)圖,ARMA模型相關(guān)性特征,3.3平穩(wěn)序列建模,建模步驟 模型識別 參數(shù)估計 模型檢驗 模型優(yōu)化 序列預(yù)測,建模

10、步驟,平 穩(wěn) 非 白 噪 聲 序 列,計 算 樣 本 相 關(guān) 系 數(shù),模型 識別,參數(shù) 估計,模型 檢驗,模 型 優(yōu) 化,序 列 預(yù) 測,Y,N,計算樣本相關(guān)系數(shù),樣本自相關(guān)系數(shù),樣本偏自相關(guān)系數(shù),模型識別,基本原則,模型定階的困難,因為由于樣本的隨機(jī)性,樣本的相關(guān)系數(shù)不會呈現(xiàn)出理論截尾的完美情況,本應(yīng)截尾的 或 仍會呈現(xiàn)出小值振蕩的情況 由于平穩(wěn)時間序列通常都具有短期相關(guān)性,隨著延遲階數(shù) , 與 都會衰減至零值附近作小值波動 ?當(dāng) 或 在延遲若干階之后衰減為小值波動時,什么情況下該看作為相關(guān)系數(shù)截尾,什么情況下該看作為相關(guān)系數(shù)在延遲若干階之后正常衰減到零值附近作拖尾波動呢?,樣本相關(guān)系數(shù)的近

11、似分布,Barlett Quenouille,模型定階經(jīng)驗方法,95的置信區(qū)間 模型定階的經(jīng)驗方法 如果樣本(偏)自相關(guān)系數(shù)在最初的d階明顯大于兩倍標(biāo)準(zhǔn)差范圍,而后幾乎95的自相關(guān)系數(shù)都落在2倍標(biāo)準(zhǔn)差的范圍以內(nèi),而且通常由非零自相關(guān)系數(shù)衰減為小值波動的過程非常突然。這時,通常視為(偏)自相關(guān)系數(shù)截尾。截尾階數(shù)為d。,例2.5續(xù),選擇合適的模型ARMA擬合1950年1998年北京市城鄉(xiāng)居民定期儲蓄比例序列。,序列自相關(guān)圖,序列偏自相關(guān)圖,擬合模型識別,自相關(guān)圖顯示延遲3階之后,自相關(guān)系數(shù)全部衰減到2倍標(biāo)準(zhǔn)差范圍內(nèi)波動,這表明序列明顯地短期相關(guān)。但序列由顯著非零的相關(guān)系數(shù)衰減為小值波動的過程相當(dāng)連

12、續(xù),相當(dāng)緩慢,該自相關(guān)系數(shù)可視為不截尾 偏自相關(guān)圖顯示除了延遲1階的偏自相關(guān)系數(shù)顯著大于2倍標(biāo)準(zhǔn)差之外,其它的偏自相關(guān)系數(shù)都在2倍標(biāo)準(zhǔn)差范圍內(nèi)作小值隨機(jī)波動,而且由非零相關(guān)系數(shù)衰減為小值波動的過程非常突然,所以該偏自相關(guān)系數(shù)可視為一階截尾 所以可以考慮擬合模型為AR(1),例3.8,美國科羅拉多州某一加油站連續(xù)57天的OVERSHORT序列,序列自相關(guān)圖,序列偏自相關(guān)圖,擬合模型識別,自相關(guān)圖顯示除了延遲1階的自相關(guān)系數(shù)在2倍標(biāo)準(zhǔn)差范圍之外,其它階數(shù)的自相關(guān)系數(shù)都在2倍標(biāo)準(zhǔn)差范圍內(nèi)波動。根據(jù)這個特點可以判斷該序列具有短期相關(guān)性,進(jìn)一步確定序列平穩(wěn)。同時,可以認(rèn)為該序列自相關(guān)系數(shù)1階截尾 偏自相

13、關(guān)系數(shù)顯示出典型非截尾的性質(zhì)。 綜合該序列自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì),為擬合模型定階為MA(1),例3.9,1880-1985全球氣表平均溫度改變值差分序列,序列自相關(guān)圖,序列偏自相關(guān)圖,擬合模型識別,自相關(guān)系數(shù)顯示出不截尾的性質(zhì) 偏自相關(guān)系數(shù)也顯示出不截尾的性質(zhì) 綜合該序列自相關(guān)系數(shù)和偏自相關(guān)系數(shù)的性質(zhì),可以嘗試使用ARMA(1,1)模型擬合該序列,參數(shù)估計,待估參數(shù) 個未知參數(shù) 常用估計方法 矩估計 極大似然估計 最小二乘估計,矩估計,原理 樣本自相關(guān)系數(shù)估計總體自相關(guān)系數(shù) 樣本一階均值估計總體均值,樣本方差估計總體方差,例3.10:求AR(2)模型系數(shù)的矩估計,AR(2)模型 Yul

14、e-Walker方程 矩估計(Yule-Walker方程的解),例3.11:求MA(1)模型系數(shù)的矩估計,MA(1)模型 方程 矩估計,例3.12:求ARMA(1,1)模型系數(shù)的矩估計,ARMA(1,1)模型 方程 矩估計,對矩估計的評價,優(yōu)點 估計思想簡單直觀 不需要假設(shè)總體分布 計算量小(低階模型場合) 缺點 信息浪費嚴(yán)重 只用到了p+q個樣本自相關(guān)系數(shù)信息,其他信息都被忽略 估計精度差 通常矩估計方法被用作極大似然估計和最小二乘估計迭代計算的初始值,極大似然估計,原理 在極大似然準(zhǔn)則下,認(rèn)為樣本來自使該樣本出現(xiàn)概率最大的總體。因此未知參數(shù)的極大似然估計就是使得似然函數(shù)(即聯(lián)合密度函數(shù))達(dá)

15、到最大的參數(shù)值,似然方程,由于 和 都不是 的顯式表達(dá)式。因而似然方程組實際上是由p+q+1個超越方程構(gòu)成,通常需要經(jīng)過復(fù)雜的迭代算法才能求出未知參數(shù)的極大似然估計值,對極大似然估計的評價,優(yōu)點 極大似然估計充分應(yīng)用了每一個觀察值所提供的信息,因而它的估計精度高 同時還具有估計的一致性、漸近正態(tài)性和漸近有效性等許多優(yōu)良的統(tǒng)計性質(zhì) 缺點 需要假定總體分布,最小二乘估計,原理 使殘差平方和達(dá)到最小的那組參數(shù)值即為最小二乘估計值,條件最小二乘估計,實際中最常用的參數(shù)估計方法 假設(shè)條件 殘差平方和方程 解法 迭代法,對最小二乘估計的評價,優(yōu)點 最小二乘估計充分應(yīng)用了每一個觀察值所提供的信息,因而它的估

16、計精度高 條件最小二乘估計方法使用率最高 缺點 需要假定總體分布,例2.5續(xù),確定1950年1998年北京市城鄉(xiāng)居民定期儲蓄比例序列擬合模型的口徑 擬合模型:AR(1) 估計方法:極大似然估計 模型口徑,例3.8續(xù),確定美國科羅拉多州某一加油站連續(xù)57天的OVERSHORTS序列擬合模型的口徑 擬合模型:MA(1) 估計方法:條件最小二乘估計 模型口徑,例3.9續(xù),確定1880-1985全球氣表平均溫度改變值差分序列擬合模型的口徑 擬合模型:ARMA(1,1) 估計方法:條件最小二乘估計 模型口徑,模型檢驗,模型的顯著性檢驗 整個模型對信息的提取是否充分 參數(shù)的顯著性檢驗 模型結(jié)構(gòu)是否最簡,模

17、型的顯著性檢驗,目的 檢驗?zāi)P偷挠行裕▽π畔⒌奶崛∈欠癯浞郑?檢驗對象 殘差序列 判定原則 一個好的擬合模型應(yīng)該能夠提取觀察值序列中幾乎所有的樣本相關(guān)信息,即殘差序列應(yīng)該為白噪聲序列 反之,如果殘差序列為非白噪聲序列,那就意味著殘差序列中還殘留著相關(guān)信息未被提取,這就說明擬合模型不夠有效,假設(shè)條件,原假設(shè):殘差序列為白噪聲序列 備擇假設(shè):殘差序列為非白噪聲序列,檢驗統(tǒng)計量,LB統(tǒng)計量,例2.5續(xù),檢驗1950年1998年北京市城鄉(xiāng)居民定期儲蓄比例序列擬合模型的顯著性 殘差白噪聲序列檢驗結(jié)果,參數(shù)顯著性檢驗,目的 檢驗每一個未知參數(shù)是否顯著非零。刪除不顯著參數(shù)使模型結(jié)構(gòu)最精簡 假設(shè)條件 檢驗統(tǒng)

18、計量,例2.5續(xù),檢驗1950年1998年北京市城鄉(xiāng)居民定期儲蓄比例序列極大似然估計模型的參數(shù)是否顯著 參數(shù)檢驗結(jié)果,例3.8續(xù):對OVERSHORTS序列的擬合模型進(jìn)行檢驗,殘差白噪聲檢驗 參數(shù)顯著性檢驗,例3.9續(xù):對1880-1985全球氣表平均溫度改變值差分序列擬合模型進(jìn)行檢驗,殘差白噪聲檢驗 參數(shù)顯著性檢驗,模型優(yōu)化,問題提出 當(dāng)一個擬合模型通過了檢驗,說明在一定的置信水平下,該模型能有效地擬合觀察值序列的波動,但這種有效模型并不是唯一的。 優(yōu)化的目的 選擇相對最優(yōu)模型,例3.13:擬合某一化學(xué)序列,序列自相關(guān)圖,序列偏自相關(guān)圖,擬合模型一,根據(jù)自相關(guān)系數(shù)2階截尾,擬合MA(2)模型

19、 參數(shù)估計 模型檢驗 模型顯著有效 三參數(shù)均顯著,擬合模型二,根據(jù)偏自相關(guān)系數(shù)1階截尾,擬合AR(1)模型 參數(shù)估計 模型檢驗 模型顯著有效 兩參數(shù)均顯著,問題,同一個序列可以構(gòu)造兩個擬合模型,兩個模型都顯著有效,那么到底該選擇哪個模型用于統(tǒng)計推斷呢? 解決辦法 確定適當(dāng)?shù)谋容^準(zhǔn)則,構(gòu)造適當(dāng)?shù)慕y(tǒng)計量,確定相對最優(yōu),AIC準(zhǔn)則,最小信息量準(zhǔn)則(An Information Criterion) 指導(dǎo)思想 似然函數(shù)值越大越好 未知參數(shù)的個數(shù)越少越好 AIC統(tǒng)計量,SBC準(zhǔn)則,AIC準(zhǔn)則的缺陷 在樣本容量趨于無窮大時,由AIC準(zhǔn)則選擇的模型不收斂于真實模型,它通常比真實模型所含的未知參數(shù)個數(shù)要多 SBC統(tǒng)計量,例3.13續(xù),用AIC準(zhǔn)則和SBC準(zhǔn)則評判例3.13中兩個擬合模型的相對優(yōu)劣 結(jié)果 AR(1)優(yōu)于MA(2),序列預(yù)測,線性預(yù)測函數(shù) 預(yù)測方差最小原則,序列分解,預(yù)測誤差,預(yù)測值,誤差分析,估計誤差 期望 方差,AR(p)序列的預(yù)測,預(yù)測值 預(yù)測方差 95置信區(qū)間,例3.14,已知某超市月銷售額近似服從AR(2)模型(單位:萬元/每月) 今年第一季度該超市月銷售額分別為: 101,96,97.2萬元 請確定該超市第二季度每月銷售額的95的置信區(qū)間,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論