案例分析ARMA模型与ARIMA模型建模1全面分析 建模步骤平平稳稳非非白白噪噪声声序序列列计计算算样样本本相相关关系系数数模型模型识别识别参数参数估计估计模型模型检验检验模模型型优优化化序序列列预预测测YN2全面分析 计算样本相关系数n样本自相关系数n样本偏自相关系数3全面分析 模型识别n基本原则选择模型拖尾P阶截尾AR(P)q阶截尾拖尾MA(q)拖尾拖尾ARMA(p,q)4全面分析 模型定阶的困难n因为由于样本的随机性，样本的相关系数不会呈现出理论截尾的完美情况，本应截尾的 或 仍会呈现出小值振荡的情况n由于平稳时间序列通常都具有短期相关性，随着延迟阶数 ， 与 都会衰减至零值附近作小值波动？当 或 在延迟若干阶之后衰减为小值波动时，什么情况下该看作为相关系数截尾，什么情况下该看作为相关系数在延迟若干阶之后正常衰减到零值附近作拖尾波动呢？ 5全面分析 样本相关系数的近似分布nBarlettnQuenouille6全面分析 模型定阶经验方法n95％的置信区间n模型定阶的经验方法n如果样本(偏)自相关系数在最初的d阶明显大于两倍标准差范围，而后几乎95％的自相关系数都落在2倍标准差的范围以内，而且通常由非零自相关系数衰减为小值波动的过程非常突然。
这时，通常视为(偏)自相关系数截尾截尾阶数为d7全面分析 参数估计n待估参数n 个未知参数n常用估计方法n矩估计n极大似然估计n最小二乘估计8全面分析 矩估计n原理n样本自相关系数估计总体自相关系数n样本一阶均值估计总体均值，样本方差估计总体方差9全面分析 对矩估计的评价n优点n估计思想简单直观n不需要假设总体分布n计算量小（低阶模型场合）n缺点n信息浪费严重n只用到了p+q个样本自相关系数信息，其他信息都被忽略n估计精度差n通常矩估计方法被用作极大似然估计和最小二乘估计迭代计算的初始值 10全面分析 极大似然估计n原理n在极大似然准则下，认为样本来自使该样本出现概率最大的总体因此未知参数的极大似然估计就是使得似然函数（即联合密度函数）达到最大的参数值 11全面分析 似然方程n由于 和 都不是 的显式表达式因而似然方程组实际上是由p+q+1个超越方程构成，通常需要经过复杂的迭代算法才能求出未知参数的极大似然估计值 12全面分析 对极大似然估计的评价n优点n极大似然估计充分应用了每一个观察值所提供的信息，因而它的估计精度高n同时还具有估计的一致性、渐近正态性和渐近有效性等许多优良的统计性质n缺点n需要假定总体分布13全面分析 最小二乘估计n原理n使残差平方和达到最小的那组参数值即为最小二乘估计值 14全面分析 条件最小二乘估计n实际中最常用的参数估计方法n假设条件n残差平方和方程n解法n迭代法15全面分析 对最小二乘估计的评价n优点n最小二乘估计充分应用了每一个观察值所提供的信息，因而它的估计精度高n条件最小二乘估计方法使用率最高n缺点n需要假定总体分布16全面分析 模型检验n模型的显著性检验n整个模型对信息的提取是否充分n参数的显著性检验n模型结构是否最简17全面分析 模型的显著性检验n目的n检验模型的有效性（对信息的提取是否充分）n检验对象n残差序列n判定原则n一个好的拟合模型应该能够提取观察值序列中几乎所有的样本相关信息，即残差序列应该为白噪声序列 n反之，如果残差序列为非白噪声序列，那就意味着残差序列中还残留着相关信息未被提取，这就说明拟合模型不够有效18全面分析 假设条件n原假设：残差序列为白噪声序列n备择假设：残差序列为非白噪声序列19全面分析 检验统计量nLB统计量20全面分析 参数显著性检验n目的n检验每一个未知参数是否显著非零。
删除不显著参数使模型结构最精简 n假设条件n检验统计量21全面分析 例2.5续n选择合适的模型ARMA拟合1950年——1998年北京市城乡居民定期储蓄比例序列22全面分析 序列自相关图23全面分析 序列偏自相关图24全面分析 拟合模型识别n自相关图显示延迟3阶之后，自相关系数全部衰减到2倍标准差范围内波动，这表明序列明显地短期相关但序列由显著非零的相关系数衰减为小值波动的过程相当连续，相当缓慢，该自相关系数可视为不截尾 n偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外，其它的偏自相关系数都在2倍标准差范围内作小值随机波动，而且由非零相关系数衰减为小值波动的过程非常突然，所以该偏自相关系数可视为一阶截尾 n所以可以考虑拟合模型为AR(1)25全面分析 例2.5续n确定1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的口径 n拟合模型：AR(1)n估计方法：极大似然估计n模型口径26全面分析 例2.5续n检验1950年——1998年北京市城乡居民定期储蓄比例序列拟合模型的显著性 n残差白噪声序列检验结果延迟阶数LB统计量P值检验结论65.830.3229拟合模型显著有效1210.280.50501811.380.836127全面分析 例2.5续n检验1950年——1998年北京市城乡居民定期储蓄比例序列极大似然估计模型的参数是否显著 n参数检验结果检验参数t统计量P值结论均值46.12<0.0001显著6.72<0.0001显著28全面分析 例2.5:北京市城乡居民定期储蓄比例序列拟合与预测图 29全面分析 例3.8美国科罗拉多州某一加油站连续57天的OVERSHORT序列 30全面分析 序列自相关图31全面分析 序列偏自相关图32全面分析 拟合模型识别n自相关图显示除了延迟1阶的自相关系数在2倍标准差范围之外，其它阶数的自相关系数都在2倍标准差范围内波动。
根据这个特点可以判断该序列具有短期相关性，进一步确定序列平稳同时，可以认为该序列自相关系数1阶截尾n偏自相关系数显示出典型非截尾的性质n综合该序列自相关系数和偏自相关系数的性质，为拟合模型定阶为MA(1) 33全面分析 例3.8n确定美国科罗拉多州某一加油站连续57天的OVERSHORTS序列拟合模型的口径 n拟合模型：MA(1)n估计方法：条件最小二乘估计n模型口径34全面分析 例3.8:对OVERSHORTS序列的拟合模型进行检验 n残差白噪声检验n参数显著性检验检验参数t统计量P值结论均值－3.75<0.0004显著10.60<0.0001显著延迟阶数LB统计量P值结论63.150.6772模型显著有效129.050.617135全面分析 例3.8: OVERSHORTS序列序列拟合与预测图 36全面分析 例3.9n1880-1985全球气表平均温度改变值差分序列 n 37全面分析 序列自相关图38全面分析 序列偏自相关图39全面分析 拟合模型识别n自相关系数显示出不截尾的性质n偏自相关系数也显示出不截尾的性质n综合该序列自相关系数和偏自相关系数的性质，可以尝试使用ARMA(1,1)模型拟合该序列40全面分析 例3.9n确定1880-1985全球气表平均温度改变值差分序列拟合模型的口径 n拟合模型：ARMA(1,1)n估计方法：条件最小二乘估计n模型口径41全面分析 例3.9:对1880-1985全球气表平均温度改变值差分序列拟合模型进行检验 n残差白噪声检验n参数显著性检验检验参数t统计量P值结论16.34<0.0001显著3.50.0007显著延迟阶数LB统计量P值结论65.280.2595模型显著有效1210.300.424742全面分析 例3.9:全球气表平均温度改变值预测43全面分析 模型优化n问题提出n当一个拟合模型通过了检验，说明在一定的置信水平下，该模型能有效地拟合观察值序列的波动，但这种有效模型并不是唯一的。
n优化的目的n选择相对最优模型 44全面分析 例3.13:拟合某一化学序列45全面分析 序列自相关图46全面分析 序列偏自相关图47全面分析 拟合模型一n根据自相关系数2阶截尾，拟合MA(2)模型n参数估计n模型检验n模型显著有效 n三参数均显著 48全面分析 拟合模型二n根据偏自相关系数1阶截尾，拟合MA(1)模型n参数估计n模型检验n模型显著有效 n两参数均显著 49全面分析 问题n同一个序列可以构造两个拟合模型，两个模型都显著有效，那么到底该选择哪个模型用于统计推断呢？ n解决办法n确定适当的比较准则，构造适当的统计量，确定相对最优50全面分析 例3.13续n用AIC准则和SBC准则评判例3.13中两个拟合模型的相对优劣 n结果nAR(1)优于MA(2)模型AICSBCMA(2)536.4556543.2011AR(1)535.7896540.286651全面分析 ARIMA模型建模步骤获获得得观观察察值值序序列列平稳性平稳性检验检验差分差分运算运算YN白噪声白噪声检验检验Y分分析析结结束束N拟合拟合ARMA模型模型52全面分析 例5.6n对1952年——1988年中国农业实际国民收入指数序列建模 53全面分析 一阶差分序列时序图54全面分析 一阶差分序列自相关图55全面分析 一阶差分后序列白噪声检验延迟阶数 统计量P值615.330.01781218.330.10601824.660.134456全面分析 拟合ARMA模型n偏自相关图57全面分析 建模n定阶nARIMA(0,1,1)n参数估计n模型检验n模型显著n参数显著58全面分析 例5.6：对中国农业实际国民收入指数序列做为期10年的预测 59全面分析 补充例：n北京市1950-1999年的市民车辆拥有量序列建模 60全面分析 取对数序列时序图61全面分析 取对数后一阶差分时序图62全面分析 二阶差分时序图63全面分析 拟合模型n拟合模型64全面分析 预测65全面分析 预测公式n拟合模型为n预测公式为66全面分析 。