精品文档---下载后可任意编辑前面四章我们讨论了时间序列的平稳性问题、可逆性问题，关于线性平稳时间序列模型，引入了自相关系数和偏自相关系数，由此得到 ARMA(p,q)统计特性
从本章开始，我们将运用数据开始进行时间序列的建模工作，其工作流程如下：图 5
1 建立时间序列模型流程图在 ARMA(p,q)的建模过程中，对于阶数(p,q)的确定，是建模中比较重要的步骤，也是比较困难的
需要说明的是，模型的识别和估量过程必定会交叉，所以，我们可以先估量一个比我们希望找到的阶数更高的模型，然后决定哪些方面可能被简化
在这里我们使用估量过程去完成一部分模型识别，但是这样得到的模型识别必定是不精确的，而且在模型识别阶段对于有关问题没有精确的公式可以利用，初步识别可以我们提供有关模型类型的试探性的考虑
对于线性平稳时间序列模型来说，模型的识别问题就是确定 ARMA(p,q)过程的阶数，从而判定模型的具体类别，为我们下一步进行模型的参数估量做准备
所采纳的基本方法主要是依据样本的自相关系数（ACF）和偏自相关系数（PACF）初步判定其阶数，假如利用这种方法无法明确判定模型的类别，就需要借助诸如 AIC、BIC 等信息准则
我们分别给出几种定阶方法，它们分别是（1）利用时间序列的相关特性，这是识别模型的基本理论依据
假如样本的自相关系数（ACF）在滞后 q+1 阶时突然截断，即在 q 处截尾，那么我们可以判定该序列为 MA(q)序列
同样的道理，假如样本的偏自相关系数（PACF）在 p 处截尾，那么我们可以判定该序列为 AR(p)序列
假如 ACF 和 PACF 都不截尾，只是按指数衰减为零，则应判定该序列为 ARMA(p,q)序列，此时阶次尚需作进一步的推断；（2）利用数理统计方法检验高阶模型新增加的参数是否近似为零，根据模型参数的置信区间是否含零来确定模型阶次，检验模型残差的相关特性等；
