时间序列分析解析(电子科大)第六章-4.ppt

时间序列分析解析(电子科大)第六章-4.ppt

ID:51604484

大小:2.46 MB

页数:38页

时间:2020-03-25

时间序列分析解析(电子科大)第六章-4.ppt_第1页
时间序列分析解析(电子科大)第六章-4.ppt_第2页
时间序列分析解析(电子科大)第六章-4.ppt_第3页
时间序列分析解析(电子科大)第六章-4.ppt_第4页
时间序列分析解析(电子科大)第六章-4.ppt_第5页
资源描述:

《时间序列分析解析(电子科大)第六章-4.ppt》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、§6.4ARMA模型阶的确定基于假定模型的阶已知的前提下介绍了参数估计的方法.对动态数据进行相关分析,初步判别模型类别以及阶的初步估计.有各类判定模型阶数的方法一、相关函数定阶法用相关函数的截尾性判别方法给出模型阶的初步估计.例6.4.1设{εt}是标准正态白噪声,{xt}是满足下AR(4)模型的模拟序列(N=300)直线方程为计算偏相关函数,可初估计对p=1,2,…,10分别求参数和噪声方差的y-w估计,可得若时间序列{Xt}实际是p阶有限自回归模型AR(p),其噪声方差为,如果选择AR(k)模型进行拟合,

2、则1)若kp(称为过拟合),不会显著减小,有可能还略有增大.类似于统计学中多元回归分析的逐步回归法,通过假设检验来确定阶数.原假设:序列满足AR(k)模型;备择假设:序列满足AR(k+1)模型.二、残差方差图定阶法结论用一系列阶数逐次递增的AR(k)模型拟合原模型,其残差的方差一般随着k的增大而逐渐下降,当k=p以后变动幅度会趋小.Jenkins—Whitt方法:利用残差方差图判定AR模型阶数.残差方差的估计式为(6.4.1)其中3)观察残差方差图,若

3、从k*始基本保持不变(无明显下降趋势),就可令注1残差方差图方法是一种观察试验方法,无定量判断的准则.2)画出的残差方差图;定阶步骤:1)分别用AR(k)模型(k=1,2,…,M)拟合观察数据,计算相应的残差方差(k=1,2,…,M);注2若观察数据不是来自AR模型时,常常不是单调下降的.例6.4.2下图是一磨轮剖面资料的数据图自相关函数图偏相关函数图模型阶数从1升至2,残差方差大幅度减小,升至5后残差方差反而略有增加.残差方差图二、最佳准则函数定阶法通常是先定义一个与模型参数有关的准则函数:1)考虑拟合时对

4、数据的接近程度;2)考虑模型中待定系数的个数.使准则函数达到最小值的模型是最佳模型.取使准则函数为最小的阶数值作为估计值.1.FPE(最终预报误差)准则不足拟合与过度拟合都会使预报误差增大.日本学者赤池(Akaike)思想AR模型的阶数估计值不能取过大,也不能过小.过大会导致模型的复杂度增大,使参数估计值的不确定性增大;过小使拟合模型与真实模型差异过大.Akaike提出用最终预报误差准则(FinalPredictionError,记为FPE)来判定AR模型的阶数.导出目标函数(6.4.2)其中N为样本长度,k

5、为模型阶数,为相应的残差方差估计.分析(6.4.2)中有两个因子:1)因子依赖于k,其大小反映了模型与数据的拟合程度;2)第一个因子随k增大而增大,放大了残差方差的不确定性影响.Akaike准则选择使(6.4.3)成立的p为AR模型的阶数估计值,若有多个则取其中最小者.Akaike从信息论的概念导出适用面广泛的统计模型准则—AIC准则(AkaikeInformationCriterion).2.最小信息准则(AIC)AIC准则可应用于ARMA模型及其他统计模型(如多项式回归定阶).能在模型参数极大似然估计的基

6、础上,对于ARMA(p,q)的阶数和相应的参数,同时给出一种最佳估计.1)最小信息准则AIC的一般形式设是随机向量,其概率密度为,属于概率密度族,是模型的参数向量,且基本思想:利用K—L(Kull-back,Leibler)信息量(6.4.4)来刻划与的接近程度.分析:应使K—L信息量达到最小值.两个函数接近程度越高,K-L信息量越小使K—L信息量达到最小值,即(6.4.5)可求出最小信息准则AIC的一般形式为(6.4.6)结论可证明AIC的一般形式是K—L信息量的渐近无偏相容估计.m为参数个数AIC注1若估

7、计模型与真实模型存在较大的差异时,或阶数估计偏低时,上式中右端的第一项会显著变大,第二项则作用不大;注2若阶数估计偏高时,上式中第二项起主要作用.上式是对两方面的加权平均(权系数为2).Akaike原则从一组可供选择的模型中,应选取AIC为最小的模型.2)ARMA、AR、MA模型在一定条件下(参见公式5.5.3),ARMA模型的对数似然函数可近似为其中因见公式(5.5.4)(6.4.7)式中为残差方差.m为参数个数,有ARMA(p,q)模型:m=p+q+1;AR(p)模型:m=p+1;MA(q)模型:m=q+

8、1;注由AIC准则定出的阶数估计不是模型真实阶数的相合估计,一般阶数估计值偏大.在N充分大而且固定的条件下3.AIC准则与FPE准则的关系AIC准则与FPE准则有渐近等价关系:证结论当N充分大时,AIC和FPE准则给出的阶数估计值相同,FPE准则也可以用于ARMA模型定阶.四、BIC准则AIC准则避免了统计检验中由于选取置信度而产生的人为性,为模型定阶带来许多方便.但AIC方法未给出相容估计.Aka

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。