ARMA模型以与ARIMA模型建模.ppt

案例分析 ARMA模型与ARIMA模型建模 建模步骤 计算样本相关系数 样本自相关系数 样本偏自相关系数 模型识别 基本原则 模型定阶的困难 因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况 由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动 ？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 样本相关系数的近似分布 Barlett Quenouille 模型定阶经验方法 95％的置信区间 模型定阶的经验方法 如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。这时，通常视为(偏)自相关系数截尾。截尾阶数为d。 参数估计 待估参数 个未知参数 常用估计方法 矩估计 极大似然估计 最小二乘估计 矩估计 原理 样本自相关系数估计总体自相关系数 样本一阶均值估计总体均值，样本方差估计总体方差 对矩估计的评价 优点 估计思想简单直观 不需要假设总体分布 计算量小（低阶模型场合） 缺点 信息浪费严重 只用到了p+q个样本自相关系数信息，其他信息都被忽略 估计精度差 通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值 极大似然估计 原理 在极大似然准则下，认为样本来自使该样本出现概率最大的总体。因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达到最大的参数值 似然方程 由于 和 都不是 的显式表达式。因而似然方程组实际上是由p+q+1个超越方程构成，通常需要经过复杂的迭代算法才能求出未知参数的极大似然估计值 对极大似然估计的评价 优点 极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质 缺点 需要假定总体分布 最小二乘估计 原理 使残差平方和达到最小的那组参数值即为最小二乘估计值 条件最小二乘估计 实际中最常用的参数估计方法 假设条件 残差平方和方程 解法 迭代法 对最小二乘估计的评价 优点 最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高 条件最小二乘估计方法使用率最高 缺点 需要假定总体分布 模型检验 模型的显著性检验 整个模型对信息的提取是否充分 参数的显著性检验 模型结构是否最简 模型的显著性检验 目的 检验模型的有效性（对信息的提取是否充分） 检验对象 残差序列 判定原则 一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效 假设条件 原假设：残差序列为白噪声序列 备择假设：残差序列为非白噪声序列 检验统计量 LB统计量 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 例2.5续 选择合适的模型ARMA拟合1950年——1998年北京市城乡居民定期储蓄比例序列。 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关。但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 所以可以考虑拟合模型为AR(1) 例2.5续 确定1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的口径 拟合模型：AR(1) 估计方法：极大似然估计 模型口径 例2.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 残差白噪声序列检验结果 例2.5续 检验1950年——1998年北京市城乡居民定期储蓄比例序列极大似然估计模型的参数是否显著 参数检验结果 例2.5:北京市城乡居民定期储蓄比例序列拟合与预测图 例3.8 美国科罗拉多州某一加油站连续57天的OVERSHORT序列 序列自相关图 序列偏自相关图 拟合模型识别 自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。根据