平稳时间序列的ARMA模型.docx
《平稳时间序列的ARMA模型.docx》由会员分享,可在线阅读,更多相关《平稳时间序列的ARMA模型.docx(37页珍藏版)》请在冰点文库上搜索。
平稳时间序列的ARMA模型
第五讲(续)
平稳时间序列的
ARMA模型
1平稳性
有一类描述时间序列的重要随机模型受到了人们的广泛关注,这就是所谓的平稳模型。
这类模型假设随机过程在一个不变的均值附近保持平衡。
其统计规律不会随着时间的推移发生变化。
平稳的定义分为严平稳和宽平稳。
定义1(严平稳)
设Xt,tT是一个随机过程,xt是在不同的时刻t的随机变量,在不同的时刻t是不同的随机变量,任取n个值如川出和任意的实数h,则Xi」||,Xn分布函数满足关系式
Fn(Xi,|Xn;t「|n)尸门(治,,X“花h,|t“h)则称Xt,tT为严平稳过程。
在实际中,这几乎是不可能的。
由此考虑到是否可以把
条件放宽,仅仅要求其数字特征(数学期望和协方差)相等。
定义2(宽平稳)
若随机变量Xt,tT的均值(一阶矩)和协方差(二阶矩)存在,且满足:
(1)任取tT,有E(Xt)c;
(2)任取tT,tT,有
E[(X(t)a)(X(t)a)]R()
协方差是时间间隔的函数。
则称Xt,tT为宽平稳过程,
其中R()为协方差函数。
2各种随机时间序列的表现形式
白噪声过程(whitenoise,如图1)。
属于平稳过程
yt=ut,utIID(0,2)
图1白噪声序列(2=1)
随机游走过程(randomwalk
,如图11)。
属于非平稳
图2随机游走序列(2=1)
图3日元兑美元差分序列
图4深圳股票综合指数
2200
2000
1800
1600
1400
1200
图5随机趋势非平稳序列(=0.1)
图6随机趋势非平稳序列(=-0.1)
图7对数的中国国民收入序列
图8中国人口序列
3延迟算子
延迟算子类似于一个时间指针,当前序列值乘以一个延迟算子,就相当于把当前序列值的时间向过去拨了一个时刻,记B为延迟算子,有XtpBpxt,p1。
特别(1-B)是差分算子。
4.ARMA(p,q)模型及其平稳性和可逆性
4.1模型类型及其表示
在平稳时间序列的分析中,应用最广泛的是有限参数模型。
p阶自回归模型:
用自己的过去和现在的随机干扰表Xt
XtiXti2Xt2川pXtpatat是白噪声。
q阶移动平均模型:
用现在和过去的随机干扰表Xt。
Xtatiati2at2川qatq
p阶自回归和q阶移动平均模型:
自己的过去及过去和现在的随机干扰表Xt0
Xt1Xt12Xt2pXtpat佝12at2qatq
其中at是白噪声序列
4.2平稳性
XtiXt12Xt2IIIpXtpat是平稳时间序列的反映
吗?
如果它是平稳时间序列的模型,回归系数应该满足何种条件呢?
例设xt是一阶自回归模型,即XtiXtiat或
(B)Xtat,其中(B)1iB
1
则Xtat(利用等比级数的通项和公式)
(1iB)
=呐
=1atj
j0
如果Ij1,Xtbj,atj的系数随着j的增加而
jo
趋于无穷大,这显然违背了“远小近大”的原则,由此可见,平稳的充分必要条件是|!
|1,|!
|1的充分必要条件方程1忆0的根在单位圆外。
设Xt是一个p阶自回归模型
Xt1Xt12Xt23Xt3pXtpat
或(B)Xtat
其中:
(B)
1
1B2B23B3||pBP。
X平
稳的充分必要条件是:
123
123
III
pp
0的根在单位圆外;
pp1p2
12
3
p3III
p0的根在单位圆内。
4.3可逆性
我们可以考虑到一个时间序列Xt是否可以用它的现在值
和过去值来表示现在时刻的随机干扰at呢?
即
Xt
或
这种表达式称为“逆转形式”。
如果一个时间序列具有逆转形式,也就是说逆转形式存在且平稳,通常称该过程具有可逆性。
例设Xt是一阶滑动平均模型,即Xta1at1
Xt(B)q,其中(B)1iB
1
则atXt(利用等比级数的通项和公式)
(1iB)
=ijBjXt
=ijXtj
j0
对于一阶滑动平均模型Xtaiati,无论i取何值,
Xtat1at1是一个名副其实的平稳序列,但是对于Xtat但i的“逆转形式”是否存在,则取决于|j是否小于1。
如果IiI1,
XtijXtja
ji
Xtj的系数随着j的增加而趋于无穷大,这显然违背了“远小近大”的原则,由此可见,Xtat1耳1的逆转形式存在的
充分必要条件为I111,|111的充分必要条件方程
11z0的根在单位圆外。
Xtat1at12at2I#qatq(B)at可逆的充分必
要条件为,方程(Z)11Z2ZIIIqZq0的根在单位
圆外。
q1q12q2IIIq0的根在单位圆内2。
由于自回归模型
Xt1Xt12Xt23Xt3IIIpXtpat稍微变形,
就是用系统的现在和过去值表示随机干扰项,所以自回归模型自然可逆。
Xt1Xt12Xt2
III
pXtp
atiat12at2
III
qatq
令(B)
1
1B
2B2
pB
(B)
1
1B
2B2
qBq
4.4ARMA(p,q)的平稳性和可逆性设时间序列Xt是ARMA(p,q)模型
则模型记为
(B)Xt
(B)Q
如果1.p0,q0;
2.(B)和(B)无公共因子;
3.(z)0和(z)0的根在单位圆外。
则Xt是自回归移动平均模型,平稳且可逆。
它有传递形式
xt(B)a,由此可以认为,任何一个自回归滑动平均模型
t(B广
都可以用一个足够高阶的滑动平均模型逼近。
逆转形式
at—回Xt,可见任何一个自回归滑动平均模型都可以用一
(B)
个足够高阶的自回归模型逼近
5平稳时间序列的统计特征
5.1总体的自相关函数和样本的自相关函数(看参考教
材王燕,应用时间序列分析,中国人大出版社,2005)
一、AR(p)模型的自相关函数
AR(p)模型,自相关函数快速收敛于零,但不等于零,“拖尾”又因为ARMA(p,q)模型(B)Xt(B)t的可逆性,即t—,所以任何一个ARMA(p,q)模型都可以
(B)
表示为一个足够高阶的AR(p)模型,所以ARMA(p,q)
模型与AR(p)模型有相同的统计特性。
下面从可以从图
18到图25观察时间序列图与其自相关函数图的特点。
3
E
图9白噪声序列的自相关函数
Dare03*1JTir.-y23.23
Soie:
1300limcludledl口bsB-n-alinnE:
200
ALriccorr"lal>iupPari口ICcrrelaliun
990
U111-ao^o■ano
rin■:
I
□
IiII1/-OOSDiiiiI"
MH:
'厂]n--i111ri
DD35
IHILl□UI」」士
0005-□084
□002D59-ElDS3-□.□52
□027-QQuHO
□174D□13-□口召吁
i]lI4;-
□□□□
1JnllrM
D„_u口
□-□-□o-D-om-a
inGflF-:
JJ1E7・」F口ooo1n—n-□n
2.£092
4TS
FE661
E-.ESB5©13B7
S.S69e
9.EO03
liiiMin了"
1口!
83
11O9Gniits
11-13±!
11Til
12607U.106
14973
1.*■”IJ_j
17.292
1766^
24539
24弓用
2/^23
J
12R
11^
0.0.门
□44
□149
n,?
240.2E6II:
-1!
i|■
0.374u.jsrn§2i
0.676
Cl.743
n.&95
0.&54
O.&E4n.E^?
O.&4S0s&99
0.726
0.374
0.J2S
nB37^
O.39B
U.162
图10白噪声序列的自相关函数图
4
Z
图11人工模拟序列Xt=0.65Xt-1+0.36Xt-2+at图
Wfl匚Ci
W!
-FU
ULJTLFW'JFLIFTiI■>11
□ocnJULLI
□ocri
■iii11
□acc
□□匚□
□ooo
Irii11
JulLI
□aco
■iiiiiDLH:
CIO□匚匸I
□ULU
Julli
□OGGiiiiii
DCiiCi
□□匚□DUi-Ci
iiiiiiJULLI
□OCI1
iiiiiiDOiCiO□匚匸iDULCl0.000
□ecu
S-lB
106.3i5
Tin73
112.66
「万曰='曰yulbq333ndH-sU34^972-^44244.Ma04o-M37T09-H-AnII5J-M-06o巳目巳GQ#4:
4.口4H4G-5G7ti.曰耳l=la215JI_i7tl.1111223555&IQsis;s&s&6-Bl£l&sl--
_iI七「1"I5£-.41®1coaocooacon-ao1&caca-011coc_uca-oaococ□dadopDoOQdg-oQOQbQdgoQqooQdo-oqob
□S7744A-70F-B40S5-UB772221SG621S7300245爱14禺gfgi當畫旣样祥ijsssolsswl?
屢□<
DDOOOOOOODOD-OOOOOODDOOOOOOODDOOOOOao
-■-H---!
■■■_・-
昌首启111213壮1?
再1?
話売1?
器1?
器器3B
llIB..■■・II!
—iliBl11I
图12人工模拟序列Xt=0.65Xt.1+0.36Xt.2+at的自相关函数图
Z
图13模拟随机游走序列xtxtiat图
UHTITi.RlP.1
matsW■•徉冠科口■盹斗>|Ein4Q#U*3-p
¥工-0|Fr~o弋■Cfbj■£thFh-lai/hbl■Ft-■■m丄円丁口"WN■■电I£七・七hZITl■:
nA|ILl:
n.・|
DiAlM□3/115434Tiinu2331
S»mple3300
Ii-iri|ijhirclbB巴Ri-vjiI-inn"■'I"QE
^Ululur■ci-ffllIufiP-si11:
ICuiIe-lwl!
«cii*AU目ACQ-St-p»lI-'ub
c.o.c.□.ci.oa.o.c.mu.dc.o.oc.o.aa.ca.口0da.s■
43^7Jnzyd□日门口ydmensitBel2『斗□曰S1_-
ii
*i!
-!
a-a
11
O&4
口
Mil
-CJ
iII1"
-n
aa-i
□
1!
□23
5声
-o
end
□
i'
11
ii—
-n
「|g
11
□3S
u
UUJ
-□.
iij:
:
-□
「w.
11
M<.i
11
口曰1
nilx,
口.石皿
IIMIh.
□QD7
IIQ1O-D.14Z
n
0.061
OQD3
-□口□£
0O3i:
i
冷話完幕^“弟普U:
;T/冨當士IN口曰!
=a_lIHHaz/7z/>』ls』FibL=iGs^se^5G--
6口Dpdnd□口QlmDmo.dcism口o-Ddodolo-Q口DC
lss^&fizBQIDuull^PAaliiN噩器茶
xtxt1at的自相关关函数图
模拟随机游走序列
图14
、MA(q)的自相关函数
结论:
MA(q)模型的自相关函数q阶截尾,即在q+1
及以后为零。
图2-7是模拟一阶移动平均模型Xta0.8ati
趋势图,图2-8是xta0-8a1自相关函数图
-4
2
0
-2
2040
■I11I
60
80100120
140160180200
图15Xtat0.8at1趋势图
r-|IIMTIT-J1
Wirv.i
Qtj40twJ£lBW足17町口■cla1.V-RB町ivJj«lp
^□iELil»Bdit
Ex-jnpca.j■—I宁!
■]Hwn«|F»-■*k*|
iziiatcr口3>^2A]-4TIniaOS:
口4
S^mplr*22Od
line-1mdtd■□>be«rvwlions-I却目
^Xiut□归Or'KO-llaiAO■*■
F3hi-lba1C:
3Tdlat)lo*j
AC:
l=AO
at
F"rolo
□口noD口on-D'nou-口Un-u1nCIO口Dn-u'nDODDn-□u口non口c»口rizcl口Il»urll:
iIQuQun口II口占II_uunn□n-Dunoa□UDan□□□UDDn□□□UDn_dEl.uo.□口□□^Q0_^_^ODn-口_□.□口□.□!
□.口□.□□IQCIoi.sq&sl.9S-BOllEBG143333G97Snmrs『JR-0「3/min0Lrm2553CM1-!
s/7ynJ
■■■■£*-■-・~■-・
1I,p24l\.□-4l£&U曰baBKTQ1i■5占行石匸s片-Is<1=1116□曰吕S&II6Cz7・a3JI2G尹旧2曰FlqsmHtlgm9尹9『olc-■帀131=10-133GCT4ar口171s4Bmeln'口—&NIT口二ll--口』口工爭弓lull□□口口口□口oa0n0O0fl10noooe0CQQ.no.□口ICaQ.rlo.a.口u.da.ingu口uaa.口o.Dm---V-W*---VVW-3320^^23T-1QEzaHL4GCI-J3Z0NTOmmFB31-^^-2111^0-m丄已BRol-J■-II八10口□口□口In口□口口□口□口001Q1.1口口口口口口口Qcino□口O□口口oa^^oa口O.□口U.CI口口occe_u_^InmE7PmD123417e^口\左3#lfiz.7o『L
SB3
OG.^20-
Q^_E47S9„2ei
图16人耳0.8a「自相关函数图
**
由此,我们已经有了识别MA(q)模型的工具,自相关函数q阶截尾。
但是对于AR(p)和ARMA(p,q)模型,则无法区别了。
242偏自相关函数kk
由AR(p)模型本身看,只涉及到n步相关性,但序列的自相关函数k确是拖尾的。
AR(P)模型的偏自相关函数p阶截尾。
kk0,kp。
注:
偏自相关函数的概率意义是在给定Xt「HLXtki的条件下,Xt和Xtk的相关系数。
ARMA(p,q)模型自相关和偏自相关均拖尾,但是快速收敛到零。
表1自相关和偏自相关特征表
模型
AR(p)
MA(q)
ARMA(P,q)
自相关函数
拖尾
截尾
拖尾
偏自相关函数
截尾
拖尾
拖尾
对一个实际时间序列,我们能掌握的是一段样本数据,所
以首先要利用样本数据估计模型的自相关函数和偏自相关函
【例】利用1997年1月一2002年12月到北京海外旅游人数资料绘制自相关和偏自相关图,在这里去掉了2003
年的数据是由于非典的流行使2003年到北京旅游的人数锐
减,出现奇异值,不具有一般性。
如图17所示。
CaseNumber
图171997年1月一2002年12月到北京海外旅游人数曲线图
Autocorrelations:
SARS
Auto-Stand.
Lag
Corr.
Err.-1
-.75
-.5-.25
0
.25.5.75
1
Box-Ljung
Prob.
1
.587
.115
***********
25.892
.000
2
.358
.115
******
35.657
.000
3
.166
.114
'k'k'k
37.775
.000
4
.074
.113
*
38.205
.000
5
.068
.112
*
38.573
.000
6
.183
.111
41.281
.000
7
.034
.110
*
41.377
.000
8
.011
.110
*
41.387
.000
9
.095
.109
**
42.154
.000
10
.253
.108
****
47.641
.000
11
.427
.107
'k'k'k*****
63.578
.000
12
.660
.106
'k'k'k*********
102.277
.000
13
.386
.105
'k'k'k****
115.737
.000
14
.179
.104
118.679
.000
15
.038
.103
*
118.814
.000
16
-.022
.103
*
118.860
.000
Autocorrelations:
SARS
PlotSymbols:
Autocorrelations*TwoStandardErrorLimits.
图1897年1月到02年12月到北京海外旅游人数自相关图
图18显示滞后一期和滞后两期的自相关函数分别为
0.5874和0.35818,超过了两倍标准差,显著不为零,以后
的自相关函数均显著为零,直到滞后期为周期的长度12时,
自相关函数出现了峰值,为0.66015,这是季节性时间序列
的十分典型的特征,该序列从自相关函数看长期趋势并不十
分显著。
而且可能建立MA模型会产生过多的参数,于是可
能适应的AR模型。
根据偏相关系数,如图19所示
PartialAutocorrelations:
SARS
Pr-Aut-Stand.
LagCorr.
Err.-1-.75-.5-.25
0.25.5.75
***********
*****
1.587.118
2.020.118
3-.080.118
4.003.118
5.064.118
6.197.118
7-.255.118
8.036.118
9.223.118
10
.248
.118
*****
11
.239
.118
*****
12
.391
.118
13
-.305
.118
*****
14
-.165
.118
'k'k'k
15
-.044
.118
*
16
-.029
.118
*
PlotSymbols:
Autocorrelations*
TwoStandardErrorLimits.
图1997年1月到02年12月到北京海外旅游人数偏自相关
偏自相关函数图19显示滞后期为1,7,12和13的偏
自相关函数分别为0.5874、-0.2555、0.39145和-0.30474,
显著不为零,该时间序列的偏自相关函数显示该时间序列可能适应的模型(1僅)(1小12必at和
我们模拟模型为(11B)(112B12)Xtat
表2模型(11B)(112B12)Xtat的参数估计表
参数
参数估计
标准差
t值
P值
1
0.495942
0.0948010
5.231403
0.0000
10.00597
12
0.767214
0.0766756
3
0.0000
10.40042
22.739866
2.1864361
6
0.0000
Standarderror3.1740588
Loglikelihood
-189.48646
AIC
384.97291
SBC
391.80291
表2显示,该模型为
Xt22.7398661矿
t(10.495942B)(10.767214B12)
进一步对模型的适应性进行检验,回归系数均显著外,残差的自相关函数均落在两倍标准差内,可以认为残差序列是白噪声序列,如图20所示。
Auto-Stand.
Lag
Corr.
Err.-1
-.75
-.5-.25
0
1
-.048
.115
*
2
.039
.115
.25.5.751Box-LjungProb.
.175.676
.292.864
3
.040
.114
*
.416
.937
4
.05