电脑桌面
添加小米粒文库到电脑桌面
安装后可以在桌面快捷访问

时间序列第三讲VIP免费

时间序列第三讲_第1页
1/13
时间序列第三讲_第2页
2/13
时间序列第三讲_第3页
3/13
ARMA的应用模型的建立任何平稳时间序列均可以建立ARMA模型,模型基本思想:将某个时间序列的SACF和SPACF的行为与各种理论ACF和PACF的行为匹配起来,挑选最佳匹配(或一组匹配的集合),估计模型的未知参数,并检查从模型拟合得到的残差,发现可能的模型错误。具体步骤如下:(1)模型的识别(2)模型参数的估计(3)模型的检验(4)模型的预测模型的识别模型识别的基本工具是相关分析。用作图法决定最适合的阶数,反映数据的动态特征。注意:ARMA模型只适用于平稳的时间序列,必须检验时间序列的平稳性。因此多数情形需要变换数据使得满足平稳性假设(单位根检验和季节调整)步骤:首先观察SACF和SPACF的截尾情况;其次选择自回归阶数(落入随机区间外的偏自相关个数)和移动平均阶数(显著不为零的自相关个数)最后对初选模型采用信息准则进行筛选。AIC和SIC信息准则包括两项:残差平方和和增加额外参数所损失的自由度。目标:选择一定的参数使得信息准则的值最小。n≥8时,SC准则的惩罚严于AIC准则。由SC准则选择的阶数通常比应用AIC准则选择的模型的阶数要小。21ˆ,log2AICpqpqT21ˆ,loglogSICpqpqTT模型参数的估计注意:移动平均项的参数估计相对困难,因此在模型中尽量避免高阶的移动平均项。模型的检验(一)考核模型的优劣需对模型的残差序列e进行检验,检验其是否为白噪声序列。若残差序列是白噪声则认为模型合理;否则进一步改进模型。1、直观判断—观察自相关图(简便,检验精度差)残差序列的自相关与0无显著不同,或说基本落入随机区间,则为白噪声;自相关有显著不为0,或者有较多的落入随机区间外,则非白噪声。2、X2检验服从X2(m-p-q)分布。通常被称为Portmanteau检验,检验直到m阶的自相关系数是否同时为0。mkkerknnnmLB121)()()2()(模型的检验(二)残差的正态性检验为了使得对某些估计数据解释简单,解释参数的估计量和t率,这要求估计残差最好是近似正态的。对正态零假设的拒绝意味着序列可能存在异常观测,或误差过程不是同方差的。是样本偏度和峰度。分别和其中*2*22*2*),2(~)(KSKKSKJB模型的预测(见书p69)1、对MA(q)过程的预测一个移动平均只有q期的记忆,假定参数不变,则q期以上的均退化为截距项;当模型中没有常数项时,q期以上的均退化为零。2、AR(p)过程的预测自回归过程具有无穷的记忆。3、ARMA(p,q)过程的预测与自回归过程类似,较复杂。预测值的精确性分样本内数据和样本外数据,将预测值和样本值(实际值)比较,将差异加总。常用的是均方预测误差(MSPE),平均绝对百分误差(MAPE):|]/)(|[/1])([/1121hnmhhnhnmhhnhnyyymMAPEyymMSPEARMA模型在eviews上的实现7、模型的预测:动态预测与静态预测。

1、当您付费下载文档后,您只拥有了使用权限,并不意味着购买了版权,文档只能用于自身使用,不得用于其他商业用途(如 [转卖]进行直接盈利或[编辑后售卖]进行间接盈利)。
2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。
3、如文档内容存在违规,或者侵犯商业秘密、侵犯著作权等,请点击“违规举报”。

碎片内容

时间序列第三讲

确认删除?
VIP
微信客服
  • 扫码咨询
会员Q群
  • 会员专属群点击这里加入QQ群
客服邮箱
回到顶部