经济预测与决策第七章随机型时间序列预测法.pptx

第7章 随机型时间序列预测法;7.3 自相关函数、偏相关函数 7.3.1 AR(p)模型的自相关函数 7.3.2 MA(q)模型的自相关函数 7.3.3 ARMA(p,q)模型的自相关函数 7.3.4 ARMA(p,q)模型的偏相关函数 7.3.5 样本自相关函数与样本偏相关函数 7.4 模型识别 7.4.1 AR(p)模型的识别 7.4.2 MA(q)模型的识别 7.4.3 ARMA(p,q)模型的识别 ;7.5 参数估计 7.5.1 矩估计方法 7.5.2 最小二乘估计 7.6 模型的检验与修正 7.6.1 模型的检验 7.6.2 模型的修正 7.7 预测 7.7.1 有关概念 7.7.2 AR(p)模型的预测 7.7.3 MA(q)模型的预测 7.7.4 ARMA(p,q)模型的预测 ;7.8 应用举例 7.8.1 应用1 7.8.2 应用2 7.9 思考与练习 ;本章学习目标;7.1 基本概述;7.1.1 有关概念;随机型时间序列预测技术建立预测模型的过程可以分为四个步骤：;7.1.2 自协方差函数与自相关函数;3．平稳序列的偏相关函数;7.2 常见的时间序列模型;7.2.1 自回归(AR)模型;2．一阶自回归模型AR(1);3．二阶自回归模型AR(2);7.2.2 移动平均（MA）模型;2．对一阶移动平均模型MA(1);3．二阶自回归模型MA(2);7.2.3 自回归-移动平均（ARMA）模型;2．ARMA(p,q)模型的平稳性和可逆性;3．特例说明 ;7.2.4 求和(ARIMA)模型;7.2.5 季节性模型;7.3 自相关函数、偏相关函数;7.3.1 AR(p)模型的自相关函数;7.3.2 MA(q)模型的自相关函数;7.3.3 ARMA(p,q)模型的自相关函数;7.3.4 ARMA(p,q)模型的偏相关函数;7.3.5 样本自相关函数与样本偏相关函数;7.4 模型识别;7.4.1 AR(p)模型的识别;7.4.2 MA(q)模型的识别;7.4.3 ARMA(p,q)模型的识别;7.5 参数估计;7.5.1 矩估计方法;2．MA(q)模型参数的矩估计;3．ARMA(p,q)模型参数的矩估计;7.5.2 最小二乘估计;2．MA和 ARMA序列参数的最小二乘估计;7.6 模型的检验与修正;7.6.1 模型的检验;7.6.2 模型的修正;7.7 预测;7.7.1 有关概念;即当前或过去的观察值的条件期望值就是其本身，未来实际值的条件期望值就是其预测值；当前或过去的残差的条件期望值就是此残差的估计值，未来残差的条件期望值为零。 在实际应用中不可能知道全部历史值，而只能知道有限个历史值。然而，当历史数据 的个数足够多时，即n很大以后，用全部历史预报与用n个历史值预报的效果是几乎一样的。;7.7.2 AR(p)模型的预测;7.7.3 MA(q)模型的预测;7.7.4 ARMA(p,q)模型的预测;7.8 应用举例;7.8.1 应用1;【解】 首先计算由销售额构成的序列{ }的自相关函数 和偏相关函数 ，并绘制相关图形。 计算采用作者编制的宏函数SolveRPQ2(arr1,arr2)。 格式：SolveRPQ2(arr1,arr2)，arr1为序列{ }所在的一维列区域，arr2为差分设置所在的一维列区域。 功能：将自相关函数、偏相关函数和差分输出到相应的单元格区域。;例如，假定序列{ }对应的单元格区域arr1为C2:C25，差分设置所在的一维列区域arr2为a2:a2（单元格a2的值为0，表示不进行差分处理；单元格a2的值为1，表示1阶差分处理）,输出单元格区域为D2：G25。则具有使用如下： 选择输出单元格区域D2：G25，按F2键，输入格式“==SolveRPQ2(C2:C25,A2:A2)”(双引号不属公式)，组合键Ctrl+Shift+Enter，这样在D2：G25区域自动显示出结果，详见表7-2。宏函数源程序见作者提供的电子计算模版。;7.8.2 应用2;9、有时候读书是一种巧妙地避开思考的方法。2月-212月-21Thursday, February 18, 2021 10、阅读一切好书如同和过去最杰出的人谈话。02:21:2202:21:2202:212/18/2021 2:21:22 AM 11、越是没有本领的就越加自命不凡。2月-2102:21:2202:21Feb-2118-Feb-21 12、越是无能的人，越喜欢挑剔别人的错儿