时间序列模型.ppt

（第3版312页） 12.7 案例分析（中国人口时间序列模型） EViews 7 注意表达式写法 （第3版281页） 12.7 案例分析（中国人口时间序列模型） 差分序列Dyt中的常数?，在原序列yt中是斜率。 12.7 案例分析（中国人口时间序列模型） （第3版314页） 12.7 案例分析（中国人口时间序列模型） （第3版314页） 12.7 案例分析（中国人口时间序列模型） （4）点击时间序列模型估计结果窗口中的Forcast键，在随后弹出的对话框中做出适当选择，就可以得到yt和Dyt的动态和静态预测值，结构预测和非结构预测值。 （第3版314页） 12.788 EViews 7 file: 5arma07 DD(y)过度差分 file: 5arma07 EViews 7 参数t检验都有显著性， 特征根倒数都在单位圆之内，Q(15)对应的p值是0.50，大于0.05。三个条件都得到满足。 EViews 7 静态预测2007年中国粮食产量 52262 （第3版315页） （第3版316页） （第3版316页） （第3版316页） （File:li-12-2） （第3版316页） （File:li-12-2） （第3版316页） （第3版318页） EViews 7 （第3版317页） （第3版318页） file:li-12-1 file:li-12-1 file:li-12-1 第12章结束. （第3版第293页） （第3版第293页） 12.4 自相关函数及其估计 实际中单凭对时间序列的观察很难确定其属于哪一种模型，而自相关函数和偏自 相关函数是分析随机过程和识别模型类别的有力工具。 1 2 . 4 . 1 自相关函数 由第 1 2 . 1 节知随机过 程 { x t } 中的每一个元素 x t ， t = 1, 2, … 都是随机变量。对于 平稳的随机过程，其期望为常数 ， 用 m 表示，即 E( x t ) = m , t = 1, 2, … 随机过程的取值 以 m 为中心上下变动。平稳随机过程的方差也是一个常量。 Var( x t ) = E[ ( x t - E( x t ) ) 2 ] = E [ ( x t - m ) 2 ] = s x 2 , t = 1, 2, … s x 2 用来度量随机过程中变量取值对其均值 m 的离散程度。 相隔 k 期的两个随机变量 x t 与 x t + k 的协方差，即滞后 k 期的自协方差，定义为 g k = Cov( x t , x t + k ) = E[( x t - m ) ( x t + k - m ) ] 自协方差序列 g k , k = 0, 1, …, K 称 作 随机过程 { x t } 的自协方差函数。当 k = 0 时， 自协方差退化为方差。 g 0 = Var( x t ) = s x 2 自 协方差 g k 是有量纲的，它的测量单位与变量的测量单位有关。 为消除 测量单位 ，给出更方便的 自相关系数 定义， r k = ) ( ar V ) ( ar V ) , ( Cov k t t k t t x x x x + + = ] ) - E[( ] ) - E[( )] - )( - E[( 2 2 m m m m k t t k t t x x x x + + r k 是无 测量单位 的。 因为对于一个平稳过程有 Var( x t ) = Var( x t + k ) = s x 2 ， 所以 上式 可以改写为 r k = 2 ) , ( Cov x k t t x x s + = 2 x k s g 由于 g 0 = s x 2 ，上式可表示为 r k = 0 g g k 。 当 k = 0 时，有 r 0 = 1 。 以滞后期 k 为变量的自相关系数列 r k , k = 0, 1, …, K 称为 自相关函数 。因为 r k =