实验：随机时间序列预测.doc

实验 5：随机时间序列预测5.1 实验目的1、 了解 ARMA预测模型的基本概念，基本原理及建模过程；2、 掌握平稳时间序列的检验方法，白噪声序列是检验方法，模型检验的方法；3、 掌握 ARMA模型的具体类型、扩展类型 ARIMA、模型算法、模型检验、模型优化及模型预测；4、 掌握利用 Eviews 软件实现 ARMA模型的整个建模及各种检验流程，掌握运用Eviews 软件和推导相结合的 AR模型、M A模型、ARMA模型、ARIMA模型的点预测和区间预测5.2 实验原理Box-Jenkins 提出的 ARMA模型是从时间序列自相关的角度揭示时间序列的发展规律，它的思想源于事件的发展具有一定的惯性，而这种惯性用统计语言描述就是序列值之间存在一定的相关关系，而且这种相关关系具有一定的统计规律，我们所要做的就是通过分析相关关系找出这种规律，并用适当的模型来拟合这种规律，进而利用这种拟合模型来预测将来的走势5.2 ．1 样本自相关函数如果样本观察值为 y1, y2 , , yn ，我们可以给出延迟 k 阶的自相关函数估计值，即样本自相关函数：n k( y y)( y y)t t kt 1?k n2( y y)tt 1其中，ytn1ytn。

自相关函数说明了样本数据不同时期之间的相关程度其取值范围在 -1 到+1之间， ?k 越接近 1，说明时间序列的自相关程度越高反之如果 ?k 越接近于 0，则说明时间序列的自相关程度越低5.2 ．2、样本偏自相关函数在时间序列中， 偏自相关函数是给定了y 1, y 2 , , y 1 的条件下， yt 与滞后期t t t kk 时间序列的条件相关它用来度量当其他滞后 1,2,3, ,k 1期时间序列的作用已知的条件下，单纯的y 与 yt k 的相关程度设样本观察值为y1, y2, , yn ，可以给出t样本偏自相关函数：其中：? ? ?k , j k 1, j kk k 1,k j5.2.3 平稳时间序列概念设时间序列y 取自某一随机过程，如果此随机过程的随机特征不随时间变t化，则我们称过程是平稳的；假如该随机过程的随机特征随时间的变化而变化，则我们称过程是非平稳的一般的，关于平稳随机过程有两种定义方法一）宽平稳序列1、定义如果Y满足如下三个条件：t(1) 任取 t ∈T，有2EYt(2) 任取 t ∈T， E Yt ,为常数；(3) 任取 t,s,k ∈T, 且 k+s-t ∈T, 有 (t,s)= (k,k+s-t) ；则称Y为宽平稳序列。

宽平稳也称为弱平稳或二阶平稳t2、性质(1) 常数均值(2) 常数方差(3) 自协方差和自相关系数只与时间的平移长度有关，而与时间的起止点无关（二）严平稳序列严平稳定义比较严谨，它要求时间序列所有的统计性质都不会随着时间的变化而发生变化，在研究经济的实际问题中，我们遇见的时间序列多为宽平稳，因此如果不加特殊注明，所说的平稳序列指的都是宽平稳时间序列5.2.4 白噪声序列如果时间序列Y满足如下条件：t（1）任取 t ∈T， EYt ,为常数；2t s（2） t, s T (t, s) ,0 t s则称 Yt 为白噪声序列，也称纯随机序列通过定义我们知道，白噪声序列也具有常数均值，常数方差，自协方差和自相关系数为零，当然与时间的起止点无关，所以白噪声序列是一种特殊的宽平稳时间序列，5.2.5 平稳时间序列 (ARMA)模型的形式ARMA模型是 20 世纪 70年代由 Box-Jenkins 系统提出的时域分析方法， 它的建模思想源于事物发展具有的一定的惯性，而这种惯性体现其时间序列上前后具有一定的关联性， ARMA模型从时间序列 yt 出发，依据其自身变化规律，利用外推机制提取时间序列前后关联性，以达到预测的目的， ARMA模型从识别、估计、诊断及预测建立了一套完整、正规的建模体系，并且具有牢固的理论基础。

ARMA最基本的模型有以下三种形式：（一） 自回归模型 AR(p)如果时间序列y 能表示成其自身滞后 1 期、滞后 2 期、直到滞后 p 期线性回t归模型的形式，即 yt 1yt 1 2 yt 2 p yt p t ，其随机扰动项 { }t 是独立同分布飞随机变量序列，并且对于任意的 t ，E( t ) 0 ，2Var ( t ) ，E( t s ) 0, s t ，则称时间序列 yt 服从 p 阶自回归模型，记为 AR(p)1 , , p 称为自回归系数二） 移动平均模型 MA(q)如果时间序列y 能表示成随机扰动项的当期和其滞后期 q 加权平均形式，t即 yt t 1 t 1 q t q其随机扰动项 { t} 是独立同分布飞随机变量序列，并且对于任意的 t ，2E ，( t ) 0 Var ( t ) ，E( t s) 0,s t ，则称时间序列 yt 服从 q 阶自回归模型，记为 MA(q) 1, , q 称为移动平均系数三）ARMA(p,q)模型如果时间序列 yt 满足： yt 1 yt 1 2 yt 2 p yt p t 1 t 1 q t q其中： { }t 是独立同分布飞随机变量序列，并且对于任意的 t ， E( t ) 0 ，2Var ( t ) ，E ( t s) 0, s t ，则称时间序列 yt 服从(p,q) 阶自回归移动平均模型，记为 ARMA(p,q)。

1, , p 称为自回归系数， 1, , q 称为移动平均系数对于 ARMA(p,q)模型，当 q 0时，模型记为 AR(p)；当 p 0时，模型记为 MA(q)5.2.6ARMA(p,q ) 模型分析框架及流程：5.2.7 平稳性检验方法利用 ARMA模型来拟合时间序列，必须先对序列的平稳性进行检验，只有当序列平稳了，才可以使用 ARMA模型序列的平稳性检验并不是件很容易的事，从直观到精确的检验方法有两种；一是图检验法，二是单位根检验法，其中图检验法又细分为时序图检验和自相关函数图检验一）图检验1、时序图检验此检验方法来源于宽平稳时间序列的定义，以横轴表示时间，纵轴表示序列取值，如果序列y 的时序图显示出该序列始终在一个常数值附近做随机波动， 而t且波动的范围是有界的特点， 则序列y 是平稳序列 反之，如果一个时间序列的t时序图表现为明显递增、递减、周期变动的趋势，则为非平稳时间序列2、自相关函数分析图检验当样本容量 n 充分大时，样本自相关函数近似服从正态分布，1? ~ (0, )k Nn. 根据正态分布的性质近似的有：2 2P( ? ) 0.95kn n, 所以若时间序列y 的自相t关函数在 k>3 时都落入置信区间2 2( , )n n内，且逐渐趋于零，则该时间序列具有平稳性；若时间序列的自相关函数更多地落在置信区间外面，则该时间序列就不具有平稳性，（二）单位根检验如果时序图和样本自相关函数图都无法判断时间序列是否具有平稳性，则设置统计量进行检验，设置统计量进行平稳性检验最常用的方法是单位根检验。

根据Eviews5.0 提供单位根具体检验方法1、DF检验使用条件：主要用于检验一阶自回归模型平稳性的检验检验过程：模型形式： yt 1yt 1 t原假设H ： 1 10备择假设 H1 ： 1 1选择的统计量为 D F（Dickey-Fuller ）：? 11?se( )1DF检验为单边检验， 当显着性水平取 时，记 为 DF检验的 分位点当 时，拒绝原假设，认为序列y 显着平稳；当 时，不拒绝原假设，则序列ty 不t平稳DF可以检验模型三种形式：第一种类型：无常数均值、无趋势的一阶自回归过程：y yt 1 t 1 t第二种类型：无常数均值、无趋势的一阶自回归过程：y yt 1 t 1 t使用时需做如下变换： yt 1yt 1 t第三种类型：既有常数均值、又有趋势的一阶自回归过程：y t yt 1 t 1 t使用时需做如下变换： yt t 1 yt 1 t2、ADF检验ADF检验是 DF检验的一个修正， 因为现实中绝大多数的时间序列不会是一个简单的 AR(1)过程，如果时间序列是高阶自回归过程，则使用 ADF进行检验原假设 H 0 ：序列 yt 非平稳备择假设 H1 ：序列 yt 平稳当 ADF统计量的 P 值小于给定的显着性水平 时，拒绝原假设， 认为序列是平稳的。

ADF检验模的三种类型与 DF检验一样， ADF检验也可用于如下三种类型的单位根检验第 一 种 类 型 ： 无 常 数 均 值 、 无 趋 势 的 P 阶 自 回 归 过 程 ：y y y yt 1 t 1 2 t 2 p t p t第 二 种 类 型 ： 无 常 数 均 值 、 无 趋 势 的 P 阶 自 回 归 过 程 ：y y y yt 1 t 1 2 t 2 p t p t第 三 种 类 型 ： 既 有 常 数 均 值 、 又 有 趋 势 的 P 阶 自 回 归 过 程 ：y t y y yt 1 t 1 2 t 2 p t p t3、PP检验ADF检验有一个基本假定：2Var ( t ) ，这导致 ADF检验主要适用于方差齐性的场合，它对于异方差序列的平稳性检验效果不佳， 后来phillips-perren 于1988年对 ADF检验进行了非参数修正，提出了 PP检验统计量该检验统计量既可以适用于异方差场合的平稳性检验，又服从相应的 ADF检验统计量的极限分布使用 phillips-perren 检验，残差序列 t 需要满足如下三个条件1）均值恒为零 E( t ) 0（2） 方差及至少一个高阶矩存在（3）非退化极限分布存在同 ADF检验的 t 统计量一样，通过模拟可以给出 PP统计量在不同显着性水平下的临界值，使得我们能够很容易的实施检验。

5.2.8 纯随机性的检验纯随机性的检验的实质是检验序列前后是否具有关联性，常用的方法有以下几种：（一）自相关函数分析图判断原则：若时间序列的样本自相关函数基本都落入置信区间内，则该时间序列是纯随机性序列二）D W统计量D W统计量是计量经济学中多元回归模型提出的一个自相关检验统计量， 我们把它借鉴过来主要进行时间序列模型残差自相关检验 DW统计量有其自身的使用范围，最主要的是它只检验序列是否存在一阶序列相关，对高阶序列相关的检验将无能为力；另外 D W检验要求回归模型的右边不含有滞后因变量，所以对于 ARMA模型来说，自回归模型 A R（1）的 D W统计量值没有任何意义1、D W统计量的构造思想当 n 较大时用 Dubin-Waston 统计量来检验序列相关有很大都的限制条件所以要考虑其他两种检验序列相关方法： Jun。