时间序列的模型识别.ppt

自相关和偏自相关系数法缺点：理论上ACF和PACF是未知的弥补：用样本的自相关系数和偏自相关系数近似代替假设序列的样本观测值为x1,x2,…,xT，则有：样本自相关系数样本偏自相关系数第5页,共25页，星期六，2024年，5月ACF和PACF定阶法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)第6页,共25页，星期六，2024年，5月模型定阶的困难由于样本的随机性，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k→∞，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，什么情况下该看作拖尾呢？第7页,共25页，星期六，2024年，5月样本相关系数的近似分布Barlett：Quenouille：95％的置信区间：模型定阶的经验方法：利用2倍标准差辅助判断第8页,共25页，星期六，2024年，5月模型定阶经验方法如果样本(偏)自相关系数在最初的d阶明显大于2倍标准差范围，而后几乎95％的(偏)自相关系数都落在2倍标准差的范围以内，而且由非零自相关系数衰减为在零附近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。如果有超过5%的样本(偏)自相关系数都落入2倍标准差的范围之外，或者是由显著非零的(偏)相关系数衰减为小值波动的过程比较缓慢或者非常连续，这时通常视为(偏)自相关系数拖尾。第9页,共25页，星期六，2024年，5月1950年-1998年北京城乡居民定期储蓄比例选择合适的ARMA模型拟合可以考虑拟合模型为AR(1)第10页,共25页，星期六，2024年，5月连续读取70个化学反应数据可以尝试使用AR(1)，MA(1)和ARMA(1,1)模型拟合该序列第11页,共25页，星期六，2024年，5月ARMA模型定阶的方法自相关和偏自相关系数法F检验法信息准则法第12页,共25页，星期六，2024年，5月在回归分析中，F检验法常被用来考察两个回归模型是否具有显著差异。原理：检验后面s个回归因子对因变量的影响是否显著设样本容量为N，上述两个模型的残差平方和分别是Q0与Q1，则检验统计量为F检验法第13页,共25页，星期六，2024年，5月结论：对于给定的显著性水平α若FFα(s,N-r)，则拒绝原假设，认为后面s个回归因子对因变量的影响是显著的，表明M1合适；若FFα(s,N-r)，则接受原假设，认为这s个回归因子对因变量的影响是不显著的，表明M2合适。F检验法第14页,共25页，星期六，2024年，5月1967年，瑞典控制论专家K.J.Astr?m教授将F检验准则用于对时间序列模型的定阶。原理(模型阶数简约原则parsimonyprinciple)：设Xt(1≤t≤N)是零均值平稳序列，用模型AR模型拟合检验统计量：结论若FFα，则拒绝原假设，认为AR(p)合适；若FFα，则接受原假设，认为AR(p-1)合适。AR(p)模型定阶的F准则第15页,共25页，星期六，2024年，5月检验统计量：结论若FFα，则拒绝原假设，模型阶数仍有上升的可能；若FFα，则接受原假设，认为ARMA(p-1,q-1)合适。ARMA(p,q)模型定阶的F准则第16页,共25页，星期六，2024年，5月ARMA模型定阶的方法自相关和偏自相关系数法F检验法信息准则法第17页,共25页，星期六，2024年，5月信息准则函数定阶法由于自相关函数(ACF)和偏自相关函数(PACF)定阶法具有很强的主观性，是一种较为粗略的方法，而最佳准则函数定阶法则可以帮助我们在一些所选的模型中选择相对最优的模型。信息准则函数法，即确定出一个准则函数。建模时按照信息准则函数的取值确定模型的优劣，以决定取舍，使准则函数达到极小的是最佳模型。第18页,共25页，星期六，2024年，5月FPE准则法AIC准则法BIC准则法信息准则法第19页,共25页，星期六，2024年，5月背景：1969年日本统计学家赤池(Akaike)提出的一种识别AR模型阶数的最终预报误差准则—FinialPredictionError，简称FPE准则。基础思想：用模型一步预报误差的方差来判定AR模型的阶数是否适用，一步预报误差的方差愈小，就认为模型拟合愈好。FPE准则函数：