ARMA模型以及ARIMA模型建模课件

案例分析ARMA模型与ARIMA模型建模案例分析ARMA模型与ARIMA模型建模1建模步骤平平稳稳非非白白噪噪声声序序列列计计算算样样本本相相关关系系数数模型模型识别识别参数参数估计估计模型模型检验检验模模型型优优化化序序列列预预测测YN建模步骤平模型参数模型模序YN2计算样本相关系数n样本自相关系数n样本偏自相关系数计算样本相关系数样本自相关系数样本偏自相关系数3模型识别n基本原则选择模型拖尾P阶截尾AR(P)q阶截尾拖尾MA(q)拖尾拖尾ARMA(p,q)模型识别基本原则选择模型拖尾P阶截尾AR(P)q阶截尾拖尾M4模型定阶的困难n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n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？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5样本相关系数的近似分布nBarlettnQuenouille样本相关系数的近似分布Barlett6模型定阶经验方法n95的置信区间n模型定阶的经验方法n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。模型定阶经验方法95的置信区间7参数估计n待估参数n 个未知参数n常用估计方法n矩估计n极大似然估计n最小二乘估计参数估计待估参数8矩估计n原理n样本自相关系数估计总体自相关系数n样本一阶均值估计总体均值，样本方差估计总体方差矩估计原理9对矩估计的评价n优点n估计思想简单直观n不需要假设总体分布n计算量小（低阶模型场合）n缺点n信息浪费严重n只用到了p+q个样本自相关系数信息，其他信息都被忽略n估计精度差n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 对矩估计的评价优点10极大似然估计n原理n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 极大似然估计原理11似然方程n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 似然方程12对极大似然估计的评价n优点n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n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n缺点n需要假定总体分布对极大似然估计的评价优点13最小二乘估计n原理n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 最小二乘估计原理14条件最小二乘估计n实际中最常用的参数估计方法n假设条件n残差平方和方程n解法n迭代法条件最小二乘估计实际中最常用的参数估计方法15对最小二乘估计的评价n优点n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n条件最小二乘估计方法使用率最高n缺点n需要假定总体分布对最小二乘估计的评价优点16模型检验n模型的显著性检验n整个模型对信息的提取是否充分n参数的显著性检验n模型结构是否最简模型检验模型的显著性检验17模型的显著性检验n目的n检验模型的有效性（对信息的提取是否充分）n检验对象n残差序列n判定原则n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 n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模型的显著性检验目的18假设条件n原假设：残差序列为白噪声序列n备择假设：残差序列为非白噪声序列假设条件原假设：残差序列为白噪声序列19检验统计量nLB统计量检验统计量LB统计量20参数显著性检验n目的n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 n假设条件n检验统计量参数显著性检验目的21例2.5续n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。例2.5续选择合适的模型ARMA拟合1950年1998年22序列自相关图序列自相关图23序列偏自相关图序列偏自相关图24拟合模型识别n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 n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 n所以可以考虑拟合模型为AR(1)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225例2.5续n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 n拟合模型：AR(1)n估计方法：极大似然估计n模型口径例2.5续确定1950年1998年北京市城乡居民定期储蓄26例2.5续n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 n残差白噪声序列检验结果延迟阶数LB统计量P值检验结论65.830.3229拟合模型显著有效1210.280.50501811.380.8361例2.5续检验1950年1998年北京市城乡居民定期储蓄27例2.5续n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 n参数检验结果检验参数t统计量P值结论均值46.120.0001显著6.720.0001显著例2.5续检验1950年1998年北京市城乡居民定期储蓄28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2.5:北京市城乡居民定期储蓄比例序列拟合与预测图 29例3.8美国科罗拉多州某一加油站连续57天的OVERSHORT序列 例3.8美国科罗拉多州某一加油站连续57天的OVERSHOR30序列自相关图序列自相关图31序列偏自相关图序列偏自相关图32拟合模型识别n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。根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳。同时，可以认为该序列自相关系数1阶截尾n偏自相关系数显示出典型非截尾的性质。n综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1)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33例3.8n确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 n拟合模型：MA(1)n估计方法：条件最小二乘估计n模型口径例3.8确定美国科罗拉多州某一加油站连续57天的OVERSH34例3.8:对OVERSHORTS序列的拟合模型进行检验 n残差白噪声检验n参数显著性检验检验参数t统计量P值结论均值3.750.0004显著10.600.0001显著延迟阶数LB统计量P值结论63.150.6772模型显著有效129.050.6171例3.8:对OVERSHORTS序列的拟合模型进行检验 残差35例3.8:OVERSHORTS序列序列拟合与预测图 例3.8:OVERSHORTS序列序列拟合与预测图 36例3.9n1880-1985全球气表平均温度改变值差分序列 n 例3.91880-1985全球气表平均温度改变值差分序列 37序列自相关图序列自相关图38序列偏自相关图序列偏自相关图39拟合模型识别n自相关系数显示出不截尾的性质n偏自相关系数也显示出不截尾的性质n综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列拟合模型识别自相关系数显示出不截尾的性质40例3.9n确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 n拟合模型：ARMA(1,1)n估计方法：条件最小二乘估计n模型口径例3.9确定1880-1985全球气表平均温度改变值差分序列41例3.9:对1880-1985全球气表平均温度改变值差分序列拟合模型进行检验 n残差白噪声检验n参数显著性检验检验参数t统计量P值结论16.340.0001显著3.50.0007显著延迟阶数LB统计量P值结论65.280.2595模型显著有效1210.300.4247例3.9:对1880-1985全球气表平均温度改变值差分序列42例3.9:全球气表平均温度改变值预测例3.9:全球气表平均温度改变值预测43模型优化n问题提出n当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。n优化的目的n选择相对最优模型 模型优化问题提出44例3.13:拟合某一化学序列例3.13:拟合某一化学序列45序列自相关图序列自相关图46序列偏自相关图序列偏自相关图47拟合模型一n根据自相关系数2阶截尾，拟合MA(2)模型n参数估计n模型检验n模型显著有效 n三参数均显著 拟合模型一根据自相关系数2阶截尾，拟合MA(2)模型48拟合模型二n根据偏自相关系数1阶截尾，拟合MA(1)模型n参数估计n模型检验n模型显著有效 n两参数均显著 拟合模型二根据偏自相关系数1阶截尾，拟合MA(1)模型49问题n同一个序列可以构造两个拟合模型，两个模型都显著有效，那么到底该选择哪个模型用于统计推断呢？n解决办法n确定适当的比较准则，构造适当的统计量，确定相对最优问题同一个序列可以构造两个拟合模型，两个模型都显著有效，那么50例3.13续n用AIC准则和SBC准则评判例3.13中两个拟合模型的相对优劣 n结果nAR(1)优于MA(2)模型AICSBCMA(2)536.4556543.2011AR(1)535.7896540.2866例3.13续用AIC准则和SBC准则评判例3.13中两个拟合51ARIMA模型建模步骤获获得得观观察察值值序序列列平稳性平稳性检验检验差分差分运算运算YN白噪声白噪声检验检验Y分分析析结结束束N拟合拟合ARMA模型模型ARIMA模型建模步骤获平稳性差分YN白噪声Y分N拟合52例5.6n对1952年1988年中国农业实际国民收入指数序列建模 例5.6对1952年1988年中国农业实际国民收入指数序53一阶差分序列时序图一阶差分序列时序图54一阶差分序列自相关图一阶差分序列自相关图55一阶差分后序列白噪声检验延迟阶数 统计量P值615.330.01781218.330.10601824.660.1344一阶差分后序列白噪声检验延迟阶数 统计量P值61556拟合ARMA模型n偏自相关图拟合ARMA模型偏自相关图57建模n定阶nARIMA(0,1,1)n参数估计n模型检验n模型显著n参数显著建模定阶58例5.6：对中国农业实际国民收入指数序列做为期10年的预测 例5.6：对中国农业实际国民收入指数序列做为期10年的预测 59补充例：n北京市1950-1999年的市民车辆拥有量序列建模 补充例：北京市1950-1999年的市民车辆拥有量序列建模 60取对数序列时序图取对数序列时序图61取对数后一阶差分时序图取对数后一阶差分时序图62二阶差分时序图二阶差分时序图63拟合模型n拟合模型拟合模型拟合模型64预测预测65预测公式n拟合模型为n预测公式为预测公式拟合模型为66n9、有时候读书是一种巧妙地避开思考的方法。6月-246月-24Saturday,June 15,2024n10、阅读一切好书如同和过去最杰出的人谈话。23:10:43 23:10:43 23:106/15/2024 11:10:43 PMn11、越是没有本领的就越加自命不凡。6月-2423:10:43 23:10Jun-24 15-Jun-24n12、越是无能的人，越喜欢挑剔别人的错儿。23:10:43 23:10:43 23:10Saturday,June 15,2024n13、知人者智，自知者明。胜人者有力，自胜者强。6月-246月-2423:10:43 23:10:43 June 15,2024n14、意志坚强的人能把世界放在手中像泥块一样任意揉捏。15 六月 202411:10:43 下午23:10:43 6月-24n15、最具挑战性的挑战莫过于提升自我。六月 2411:10 下午6月-2423:10June 15,2024n16、业余生活要有意义，不要越轨。2024/6/15 23:10:4323:10:43 15 June 2024n17、一个人即使已登上顶峰，也仍要自强不息。11:10:43 下午11:10 下午23:10:43 6月-24 谢谢观赏谢谢观赏 You made my day!You made my day!我 们，还 在我 们，还 在 路路 上上 9、有时候读书是一种巧妙地避开思考的方法。8月-238月-267