时间序列基本模型.pptVIP

1滞后算子和差分算子滞后算子差分算子滞后算子多项式无限阶滞后算子多项式滞后算子和差分算子

2时间序列的特征刻画均值函数自协方差函数自相关函数偏自相关函数

平稳时间序列的特征3自协方差函数偏自相关函数均值函数自相关函数

第四节时间序列的基本模型4

时间序列模型的基本形式5自回归模型（AR：Auto-regressive）；01移动平均模型（MA：Moving-Average）；02混合模型（ARMA：Auto-regressiveMoving-Average）。03

AR(1)过程：6AR（1）平稳的条件

AR(1)的自相关函数和偏自相关函数9

AR（1）过程的自相关函数10AR（1）过程自相关函数的一个显著特征就是逐渐衰减少的,位移趋于无限远时,AR(1)趋近于0。

AR（1）过程的偏自相关函数11AR（1）偏自相关函数表现出截尾特征。

MA(1)过程：12MA（1）平稳的

MA（1）过程的自相关函数14MA（1）过程自相关函数的一个显著特征就是只有一期记忆，或者说具有截尾特征。

MA（1）过程的偏自相关函数15MA（1）偏自相关函数表现出相似的阻尼振荡，逐渐衰减至0。

MA(1)过程的自回归表示16可逆条件:一个收敛的自回表示

ARMA（1，1）过程17如果可逆如果平稳MA过程AR过程可逆的,平稳的ARMA（1，1）过程

AR（P）过程：可逆的，但非平稳的18平稳的

MA（q）过程:平稳的，但非可逆的20无论参数取值如何，MA（q）过程是一个协方差平稳的过程。

在MA（q）过程中，位移超过q的自相关函数都为0，自相关函数表现出截尾特征。MA(q)可以表示成自回归过程的条件是：

任意协方差平稳序列的模型都可以表示成白噪声的无限阶分布滞后。Wold’sRepresEntationTheorem沃尔表示定理（作业2）

ARMA（P，Q）过程22No.3AR(p)模型的偏自相关函数是以p步截尾的，自相关函数拖尾；MA(q)模型的自相关函数具有q步截尾性，偏自相关函数拖尾；（可用以上两个性质来识别AR和MA模型的阶数）ARMA(p,q)模型的自相关函数和偏相关函数都是拖尾的。No.2No.1

ARMA过程的自相关函数和偏自相关函数23模型自相关函数特征偏自相关函数特征AR（1）xt=?1xt-1+ut若?10，平滑地指数衰减。若?10，正负交替地指数衰减。若?110，k=1时有正峰值然后截尾。若?110，k=1时有负峰值然后截尾。

24模型自相关函数特征偏自相关函数特征AR（2）xt=?1xt-1+?2xt-2+ut指数或正弦衰减。k=1,2时有两个峰值然后截尾。

MA（1）xt=ut+?1ut-1若?10，k=1时有正峰值然后截尾。若?10，k=1时有负峰值然后截尾。若?10，交替式指数衰减。若?10，负的平滑式指数衰减。

模型自相关函数特征偏自相关函数特征MA（2）xt=ut+?1ut-1+?2ut-2k=1,2有两个峰值然后截尾。指数或正弦衰减。

ARMA（1，1）xt=?1xt-1+ut+?1ut-1k=1有峰值然后按指数衰减。k=1有峰值然后按指数衰减。

ARMA（2，2）xt=?1xt-1+?2xt-2+ut+?1ut-1+?2ut-2k=1,2有两个峰值然后按指数或正弦衰减。k=1,2有两个峰值然后按指数或正弦衰减。

ARMA过程的自相关函数和偏自相关函数29ARMA（1，1）xt=?1xt-1+ut+?1ut-1k=1有峰值然后按指数衰减。k=1有峰值然后按指数衰减。ARMA（2，1）xt=?1xt-1+?2xt-2+ut+?1ut-1k=1有峰值然后按指数或正弦衰减。k=1,2有两个峰值然后按指数衰减。ARMA（1，2）xt=?1xt-1+ut+?1ut-1+?2ut-2k=1,2有两个峰值然后按指数衰减。k=1有峰值然后按指数或正弦衰减。ARMA（2，2）xt=?1xt-1+?2xt-2+ut+?1ut-1+?2ut-2k=1,2有两个峰值然后按指数或正弦衰减。k=1,2有两个峰值然后按指数或正弦衰减。

ARIMA模型阶数识别的AIC和SIC标准30AIC和SIC标准

ARAM估计，以AR(p)模型为例31

诊断与检验

ARMA模型应用举例33

自相关图和偏相关图34

各种ARMA模型的AIC和SIC37

时间序列模型的建立与预测40对于经济时间序列，差分次数d通常取0，1或2。01实际建模中也要防止过度差分。差分后若数据的极差变大，说明差分次数太多了。02在“平稳时间序列基础上”识别ARMA模型阶数。序列的相关