ARMA模型以及ARIMA模型建模ppt课件

案例分析 ARMA模型与ARIMA模型建模 1 建模步骤 平稳非白噪声序列 计算样本相关系数 模型识别 参数估计 模型检验 模型优化 序列预测 Y N 2 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 基本原则 4 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 5 样本相关系数的近似分布 BarlettQuenouille 6 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 7 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 8 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 9 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 10 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 11 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 12 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 13 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 14 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 15 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 16 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 17 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 18 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 19 检验统计量 LB统计量 20 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 21 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 22 序列自相关图 23 序列偏自相关图 24 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 25 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 26 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 27 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 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 29 例3 8 美国科罗拉多州某一加油站连续57天的OVERSHORT序列 30 序列自相关图 31 序列偏自相关图 32 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阶截尾偏自相关系数显示出典型非截尾的性质 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 33 例3 8 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拟合模型 MA 1 估计方法 条件最小二乘估计模型口径 34 例3 8 对OVERSHORTS序列的拟合模型进行检验 残差白噪声检验参数显著性检验 35 例3 8 OVERSHORTS序列序列拟合与预测图 36 例3 9 1880 1985全球气表平均温度改变值差分序列 37 序列自相关图 38 序列偏自相关图 39 拟合模型识别 自相关系数显示出不截尾的性质偏自相关系数也显示出不截尾的性质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 40 例3 9 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拟合模型 ARMA 1 1 估计方法 条件最小二乘估计模型口径 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 残差白噪声检验参数显著性检验 42 例3 9 全球气表平均温度改变值预测 43 模型优化 问题提出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 优化的目的选择相对最优模型 44 例3 13 拟合某一化学序列 45 序列自相关图 46 序列偏自相关图 47 拟合模型一 根据自相关系数2阶截尾 拟合MA 2 模型参数估计模型检验模型显著有效三参数均显著 48 拟合模型二 根据偏自相关系数1阶截尾 拟合MA 1 模型参数估计模型检验模型显著有效两参数均显著 49 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 那么到底该选择哪个模型用于统计推断呢 解决办法确定适当的比较准则 构造适当的统计量 确定相对最优 50 例3 13续 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结果AR 1 优于MA 2 51 ARIMA模型建模步骤 获得观察值序列 平稳性检验 差分运算 Y N 白噪声检验 Y 分析结束 N 拟合ARMA模型 52 例5 6 对1952年 1988年中国农业实际国民收入指数序列建模 53 一阶差分序列时序图 54 一阶差分序列自相关图 55 一阶差分后序列白噪声检验 56 拟合ARMA模型 偏自相关图 57 建模 定阶ARIMA 0 1 1 参数估计模型检验模型显著参数显著 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 59 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 61 取对数后一阶差分时序图 62 二阶差分时序图 63 拟合模型 拟合模型 64 预测 65 预测公式 拟合模型为预测公式为 66