时间序列建模的基本步骤
1.数据的预处理:数据的剔取及提取趋势项。
2.取n=1,拟合(即ARMA(2,1))模型
(1),拟和模型。
设所要拟合的模型为,
用最小二乘法拟合出系数。
注意到对于AR()模型,,这里是模型的逆函数,于是可得到的值。
(2)估计ARMA(2,1)模型参数的初始值。
对于ARMA(2,1)模型,我们有:
,
于是
。
注意:以AR(3)中的替代ARMA(2,1) 中的是一种近似代替。通过这种方法求得的的绝对值若大于1,则取其倒数作为初始值,以满足可逆性条件。
知道了及,再用下式来确定ARMA(2,1)模型中的:
;。
(3)以(2)中得到的为初始值,利用非线性最小二乘法得到的终值及置信区间,并且求出残差平方和(RSS)。
3.,拟合ARMA模型
其基本步骤与2类似。
.用F准则检验模型的适用性。若检验显著,则转入第2步。若检验不显著,转入第5步。
对于ARMA模型的适用性检验的实际就是对的独立性检验。检验的独立性的一个简便而有效的办法是拟合更高阶的模型。若更高阶模型的残差平方和有明显减少,就意味着现有模型的不是独立的,因而模型不适用;若更高阶模型的残差平方和没有明显减少,同时更高阶模型中的附加参数的值也很小(其置信区间包含0),则可认为该模型是适用的。具体的检验准则如下。
设有模型和,。假设模型的残差之平方和,模型的残差之平方和,是采集数据的数目,则检验准则为:
,
其中,。
若这样得到的值超过由分布查表所得的在5%置信水平上的值,那么由模型改变为时,残差平方和的改善是显著的,因而拒绝关于模型的适用性假设;值低于查表所得之值,就可以认为在该置信水平上这个模型是适用的。
5.检查的值是否很小,其置信区间是否包含零。若不是,则适用的模型就是。
若很小,且其置信区间包含零,则拟合。
6.利用F准则检验模型和,若F值不显著,转入第7步;若F值显著,转入第8步。
7.舍弃小的MA参数,拟合的模型,并用F准则进行检验。重复这一过程,直到得出具有最小参数的适用模型为止。
8.舍弃小的MA参数,拟合的模型,并用F准则进行检验。重复这一过程,直到得出具有最小参数的适用模型为止。
本文来源:https://www.2haoxitong.net/k/doc/d5643b8ea2161479171128f3.html
文档为doc格式