自回归移动平均程.docx

该【自回归移动平均程 】是由【小树屋教育】上传分享，文档一共【28】页，该文档可以免费在线阅读，需要了解更多关于【自回归移动平均程 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。自回归移动平均程———————————————————————————————— 作者:———————————————————————————————— 日期:2A. 自回归移动平均过程 ARMAp,,q表达式为:Ytc1Yt12Yt2....pYtpt1t1...qtq(1)写成滞后算子的形式为:11L2L2....pLpYtc11L...qLqt(2)两侧同时除以11L2L2....pLp,从而得到YtLt(3)其中L11L...qLq2L2....pLp11Lc/112....pjj 0从而可以发现,ARMAp,q过程的平稳性完全取决于回归参数 1,2,...,p而与移动平均参数无关。即 ARMAp,q过程的平稳性条件为特征方程:11z2z2....pzp0的根在单位圆外。(1)变形:Yt1Yt12Yt2....pYtpt1t1...qtq(4)两边同时乘以Ytj,求期望得到自协方差。当jq时,结果方程的形式p阶自协方差形式:j 1 j 1 2 j 2 .... p j p从而解为jq1,q2,.....(5)jjj(6)jh11h22....hppjq时的自协方差函数比较复杂,并且不具有应用意义。不过ARMAp,q过程3的自相关函数都具有拖尾特征。ARMAp,q过程容易出现的两个问题:1)过度参数化问题。例如一个白噪声过程Ytt也可以用1LYt1Lt表示。此时无论取何值,利用1LYt1Lt都能够很好的拟合数据,因此造成估计的困难。2)ARMAp,q过程的表达式(54)的滞后多项式进行因式分解得到11L12L....1pLYt11L12L...1qLt(7)假设自回归算子11L2L2....pLp和移动平均算子11L...qLq存在共同根(公因子),同时除以公因子,得到的过程ARMAp1,q1和原来的ARMAp,q过程相同。表1 时间序列模型性质表模型性质AR(p)MA(q)ARMA(p,q),(基于条件的预测):定义1:均方误差对于任何预测都存在误差,我们需要给出一个损失函数来度量预测偏离一个特定的量的程度。假定一个二次损失函数,选择 Yt*1t,使得4EYtY*2(8)11tt最小。表达式(8)称为预测值Yt*的均方误差,记做MSEYt*EYt1Yt*21t1t1t。定理1:最小均方误差预测就是Xt条件下Yt1的期望。证明:假定Yt*1t为基于条件期望以外的其他函数gXt的预测Yt*1tgXt,其MSE为:EYt21gXtEYt1EYt1XtEYt1Xt2gXtEYt1EYt1Xt2EEYt1XtgXt2(9)2EYt1EYt1XtYt1XtgXtEYt1EYt1Xt2EEYt1XtgXt22Et1因为在Xt的条件下,EYt1Xt与gXt都是常数,因此Et1XtEYt1EYt1XtXtEYt1XtgXt(10)0根据迭代期望法则,(10)的期望就是无条件期望,即Et1EEt1XtXt0(11)从而,(9)变为2EYt1EYt1Xt2EEYt1XtgXt2(12)EYt1gXt右边第一项为常数,因此如果希望均方误差最小,只有:EYt1XtgXt(13)定理得证。定义2:线性投影假设预测Yt*1t为Xt的线性函数,即Yt*1taXt。如果存在一个,使得预测误差YXt与Xt,即t1EYt1XtXt0(14)5则预测Xt称为Yt1关于Xt的线性投影。定理2:在线性预测族中,线性投影具有最小均方误差。证明和定理1相似。线性投影是随机过程总体特征的归纳;而OLS回归是对样本观察值的归纳。定理3多重投影定理如果Yt2的t1期的预测是t期信息的投影,则结果为Yt2的t期最小均方误差预测。,1过程预测解:ARMA1,1过程1LYt1Lt,当1,1时,满足平稳性和可逆性。因此预测为:?1L1LYtst1LLs1LYt其中L1LLs1L2L2...L1L2L2...LsLsss11L2L2...ss11L从而预测为ss11Lss1?YtYtYtst1L1L1L对于s 2,3,...,预测服从递归算法:))YtstYts1t即在一期以后,预测按几何方式以速度收敛于无条件均值。前一期的预测为:)YtYt)Yt1t1Lt6其中)Yt))tYt1t1YtYtt1例2:ARMAp,q过程预测解:对于ARMAp,q过程1 1L 2L2 ... pLp Yt 1 1L 2L2 ... qLq期预测为)Yt1t1Yt)2Yt1...pYtp)...)1t2t1qtq其中))。前s期预测为:tYtYtt1))))1Yts1t2Yts2t...pYtspts1,2,...,q))...)Ytst)sts1t1qtq))1Yts1t2Yts2t...pYtsptsq1,q2,...当sq时,预测为由自回归系数决定的p阶差分方程。:任何零均值协方差平稳过程Yt可表示成如下形式Ytjtjkt(15)j0其中01,且2。t是白噪声(新生量),表示以Y的滞后项预测Yt产j0j生的误差:tYt?1,Yt2,...(16)EYtYtkt?,Yt2,...(17)EktYt1对于任意的j,ktj无关。kt由YYt的值与的过去值确定,称为t的线性确定性分量。j0jtj称为线性非确定性分量,若kt0,该过程为纯线性不确定的。Wold分解定理仅依赖于Y的稳定的二阶矩。因此描述了Y的最优线性预测。- 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 i,i,2,并检查从模型拟和得到的残差,已发现可能的模型错误。步骤:1)变换数据,是数据满足协方差平稳性假设(单位根检验和季节调整) 。2)对序列的ARMAp,q过程的参数p,q做一个初始的较小值猜测。3)估计 L和 L的系数。4)初步诊断分析。保证所得模型和数据特征相符。)j )j/)0其中)1TytjyjytyTtj11TyytTt1由于实际上假定了协方差平稳性,因此当 jSACF的检验统计量为:kQ*kTri2i1其渐进分布服从自由度为 k的卡方X分布,即(18)j 0,1,2,...,T 1 (19)(20),总体自协方差趋向于零。(21)aQ* k~Xk2。 SPACFm阶偏自相关系数的估计是 y关于常数项和最近末一个系数:yt1c?)myt)myt1...)mytm1)12met)其中et代表OLS回归的残差。:(存在多个行为匹配的模型)m个值的OLS回归的最(22)1)AIC标准:(Akaike信息标准)8AICp,qlog?22pqT1()232)BIC标准BICp,qlog?2pqT1logT(24)3)首先设定B和B的阶数上限,pmax和qmax,并规定p0,1,....,p和max0,1,...,qmax,则选择的阶数p1和q1由法则确定:AICp1,q1minAICp,q或BICp1,q1minBICp,q(25),q在Eviews中的实现通过自相关分析图判断平稳性:如果序列的自相关系数很快地趋于零,即落入随机区间,则时序是平稳的,否则是非平稳的。(2)自相关图的实现:主菜单中选择 quick/seriesStatisttics/correlogram ,在对话框中输入分析的序列名称。如 index,点击OK弹出相关图定义。选择之后,点击OK,从而得到时间序列的自相关和偏自相关分析图。根据相关图和偏自相关图判断自回归和移动平均的阶数。模型参数的估计方法:在主窗口选择Quick/Estimate/Equation,输入indexar(1)ar(2) ar(p)ma(1)ma(2) ma(q)点击OK进入。结果中要求AIC和BIC越小越好。而且最后两行的数值落在单位圆内。模型的检验:)对模型的残差序列进行白噪声检验。检验残差序列的样本自相关系数是否为零。检验统计量为卡方检验。残差序列的自相关函数为nk1eettkrketk1,2,....,m(26)n1et2tm为最大滞后期。一般取n/4。检验统计量为Qnn2mrk2e(27)k1nk在零假设下,Q服从卡方分布。给定置信度,如果QX2mpq,则不能拒绝残差序列相互独立的原假设, 通过检验。否则拒绝原假设。直接对残差序列的检验,分析残差序列的自相关图。检查是否过度拟合。用高阶的模型进行拟合,并与原模型比较。:Ytc1Yt12Yt2....pYtpt1t1...qtq(28)其中t:WN0,2。前面我们假定知道总体参数c,1,...,p,1,...,q,2,此时利用过程(28)进行预测。本章我们要研究在仅能观测到Y的情况下,如何估计c,1,...,p,1,...,q,2。估计方法为极大似然估计。令θc,1,...,p,1,...,q,2表示总体参数向量。假定我们观察到一个样本量为T的样本y1,y2,...,yT。计算所实现样本的联合概率密度函数:fYT,YT1,...,Y1yT,yT1,...,y1(29)这可以看作是观察到样本发生的概率。使得“概率”最大的值就是最优估计。这种思想就是极大似然估计的思想。极大似然估计需要设定白噪声的分布。如果是高斯白噪声,则得到的函数为高斯似然函数。极大似然估计的步骤:1)计算似然函数(29)。2)利用求极大值方法求使得函数值最大的 值。 高斯ARMAp,q过程的似然函数对于高斯ARMAp,q过程Ytc1Yt12Yt2....pYtpt1t1...qtq(30)其中t:iidN0,2。总体参数向量为θc,1,2,...,p,1,2,...,q,2。自回归过程的似然函数的近似以y的初始值为条件,移动平均过程似然函数的近似以的初始值为条件。ARMAp,q过程以y和的初始值为条件。假设初始值 y y,y,...,y 和ε , ,..., 给定,则利用实现0 0 1 p1 0 0 1 q1y1,y2,..,yT ,迭代得到:tytc1yt12yt2...pytp1t12t2...qtq(31)10