- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
t = p + 1, L, n
其中{ε t }为独立时间序列
满足条件 Eε t
= 0,
Eε
2 t
=σ 2,
Eε
4 t
< +∞
且与{xs , s < t} 独
立
实际上
检
验H0B
B
是
否
为
真
只需检验残差列{ε t } 是否独立序列即可
而残差列可由样
本值 x1,L, xn 计算得出 即
ε k = xk − α1 xt−1 − L − α p xt− p , k = p + 1, p + 2, L, n
⎟ ⎟ ⎟⎟⎠
bk
=
⎜ ⎜ ⎜⎜⎝
γˆ2 M γˆk
⎟ ⎟ ⎟⎟⎠
而 Γk 是对称可逆阵 故可求得α (k) 与σ 2 (k) 的尤尔─沃克估计为
αˆ (k) = Γk−1bˆk
k = 1,2,L
σˆ 2 (k) = γˆ0 − αˆ′ bˆk = γˆ0 − bk′Γk−1bk
k = 1,2,L
其中αˆ (k) = Γk−1bˆk , k = 1, 2, L 的第 k 分量αˆ kk 即为偏相关函数 而{xt } 是 AR( p) 序列
x
1
(2π )2 | Γn |2
ln
L(α ,
σ
2)
=
n 2
ln(2π )
−
1 2
ln
|
Γn
|
−
1 2
x′Γn−1x
再求α σ 2 使上述式达最大值的 (αˆ σˆ 2 ) 即为α σ 2 的极大似然估计 但此法较难 故
在实际中常用前两种方法与近似极大似然估计法求α1, α 2 , L, α p 与σ 2 的估计 而在理论
3.3.4
而
∑ σ ˆ
2
=
n
1 −
p
S(αˆ ) =
n
1 −
p
n
ε
2 t
t = p+1
3.3.5
2. 尤尔─沃克估计方法
由 x1 , L, xn 计算样本自协方差函数 γˆ0 , γˆ1 , L, γˆ p 则{xt } 的协方差满足尤尔 沃克
方程 即
⎧αˆ1γˆ0 + αˆ 2γˆ1 + L + αˆ pγˆ p−1 = γˆ1 ⎪ ⎪⎪αˆ1γˆ1 + αˆ 2γˆ0 + L + αˆ p−1γˆ p−2 = γˆ2 ⎨ ⎪LLL ⎪ ⎪⎩αˆ pγˆ p−1 + αˆ 2γˆ p−2 + L + αˆ pγˆ0 = γˆ p
充分接近零值时 其始点 k 值即为所求阶数 p 例如: 例:某水文站记录了 59 年的每年的最大径流量数据,算得了样本偏相关函数值,见下表,试对阶 数 p 作出估计
k
1
2
3
4
5
6
7
8
ϕˆkk -0.23 0.25 -0.06 0.20 0.14 0.14 0.18 -0.08
k
9
10
11
12
13
14
σˆ
2 (k
)
= γˆ0
− αˆ ′(k)bˆk
= γˆ0 − bk′ Γ −1bk k = 0, 1, 2, L, P
k = 0, σˆ 2 = γˆ0
3
将
σˆ
2 (k
)
代入
A(k) = AIC(k) = lnσˆ 2 (k) + 2k n
得
A(0),
A(1), L,
A( p)
A( pˆ ) = min A(k) 0 ≤ k ≤ P 则 pˆ 为所求 AIC 准则估计
αˆ1, 1 = ρˆ1
k
k
∑ ∑ αˆ k +1, k +1 = (ρˆ k +1 − ρˆ k+1− jαˆ jk )(1 − ρˆ jαˆ jk ) −1
j =1
j =1
其中αˆ j, k +1 = αˆ jk − αˆ k+1, k+1αˆ k − j+1, k , j = 1, 2, L, k
⎜ ⎜ ⎜
x
p+2
⎟ ⎟ ⎟
⎜M ⎟
⎜⎜⎝ xn ⎟⎟⎠
⎜⎛ x p
x p−1 L
x1 ⎟⎞
X
=
⎜ ⎜ ⎜ ⎜
x p+1 L
xp L LL
x2
⎟ ⎟
L
⎟ ⎟
⎜ ⎝
x
n−1
xn−2
L
xn−
p
⎟ ⎠
3.3.2 3.3.3
为随机矩阵 则求α与σ 2 的估计常用的有三种方法
1. 最小二乘估计法
n
n
∑ ∑ 令 S(α) =
表示为矩阵为
Γ pα = bp
3.3.6 3.3.7
而 Γ p 是可逆阵 故得α与σ 2 尤尔─沃克估计为
αˆ = Γ p−1bˆp
3.3.8
σˆ 2 = γˆ0 − αˆ ′ bˆp = γˆ0 − b′p Γ p−1bp
3. 极大似然估计 若{ε t } 为独立且同正态分布序列 则xBtB亦为正态 AR( p) 序列 故
iv) 由{εˆt }求自协方差函数
∑ γˆk
(ε )
=
n
1 −
p
n− p−k
ε t+ pε t+ p+k
t =1
k = 0, 1, 2, L
ρˆ k (ε ) = γˆk / γˆ0 (ε )
vi) 判断{εˆt } 是否独立序列 若是 则接受HB0B 否则拒绝HB0B
3.3 自回归模型拟合
依据已知样本值 x1 , x2 , L, xn 对 AR( p) 模型作出估计 称为自回归模型拟合 自回归 模型拟合内容包括
1 AR( p) 模型阶数 p 的估计
2 AR( p) 模型中参数α1, α 2 , L, α p 与σ 2 的估计
3 对模型作拟合检验
一 AR( p) 序列阶数 p 的估计
中常采用极大似然估计法
三 拟合模型检验
拟合模型检验的目的就是检验所估计的时间序列模型是否与实际数据相吻合 是否能较 准确的描述真实的时间序列 从而可以利用估计出的时间序列模型进行对真实的时间序列作 出预测或预报 根据统计假设检验的方法 拟合模型检验需要检验假设
H0B
B
xt = α1 xt−1 + α 2 xt−2 + L + α p xt− p + ε t
标 ρˆ = ±1/ n 内 约有 95.4%的点落在纵坐标 ρˆ = ±2 / n 内 则 (ε p+1 , ε p+2 , L, ε n ) 为独立
序列样本值
接受H0B
B
否则拒绝HB0B
具体的检验步骤为
i)
提出假设
H0B
B
p
∑ xt = α i xt−i + ε t i=1
t = p + 1, L, n
15
ϕˆkk -0.02 -0.01 -0.02 -0.11 -0.09 -0.04 0.00
可以看出,当 k >2 时, | ϕˆkk |< 0.26 ,
0.3
0.2
0.1
0
-0.1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
-0据点在第二个点以后的所有点都在接近 0 的两条对称平行线之内 故可认为 在第二 个点α kk 以后 偏相关函数值α kk 近似为 0 本着模型阶数越低越简单越好的原则,可以认为
确定 pˆ 使其满足下式 BIC( pˆ ) = min BIC(k)
1≤k ≤P
由此得到的 pˆ 为所求 p 的 BIC 准则估计
因此利用 AIC 准则判断步骤是 1 首先凭经验选定阶数 p 的上界 P 值 则 0 ≤ p ≤ P
2 再由样本值 xt ,L, xn 迭代求出σ 2 的最小二乘估计或尤尔 沃克估计
一般 P 的取值视实际情况由经验而定 再取 pˆ ,使其满足下式 AIC ( pˆ ) = min AIC ( k )
1≤ k ≤ P
则此 pˆ 即为所求 p 的 AIC 准则估计
有时也采用 AIC 准则修改形式 即 BIC 准则函数
BIC(k) = lnσˆ 2 (k) + k ln n k = 0, 1, 2, L, P n
{xt − α1 xt−1 − α 2α t−2 − L − α p xt− p }2 =
ε
2 t
t = p+1
t = p+1
求αˆ 使 S(αˆ ) = min{S (α )} 则称这样的αˆ 为最小二乘估计 由最小二乘估计的运算方法
可得α与σ 2 的最小二乘估计为
αˆ = ( X ′X )−1 X ′ y
3 最后判断{xt } 的阶数 p 即
i 由所得数据 x1,L, xn 迭代得出偏相关函数值αˆ kk k = 1, 2, L
ii 将点 (k,α kk ) 描在笛卡尔坐标上
iii 若从某个 k 后 有α kk 充分接近零 则此 k 为 AR( p) 序列阶数 p 的所求阶数 注意 因为αˆ kk 为α kk 的估计 没有严格的截尾性质 故在实用中 若αˆ kk 从某个 k 后
ii) 将参数αˆi , σˆ 2 的估计与阶数 pˆ 的估计代替HB0B中的αi , σ 2 与p 故实际检验
pˆ
