数学建模时间序列方法

1 10 21 2 11 20
于是方差为
0(12)1 ( (1 1 2)2 )2 1 (12)
数学建模时间序列方法
由平稳性的定义，该方差必须是一不变的正数，于是有 1+2<1, 2-1<1, |2|<1
这就是AR(2)的平稳性条件，或称为平稳域。它是一顶点 分别为（-2,-1），（2,-1），（0,1）的三角形。
Yt Ct It
这里，Ct、It、Yt分别表示消费、投资与国民收 入。
Ct与Yt作为内生变量，它们的运动是由作为外 生变量的投资It的运动及随机扰动项t的变化决定 的。
数学建模时间序列方法
上述模型可作变形如下：
C t 1 21C t 1 1 01 1 11It 1 11 t
Y t 1 2 1 Y t 1 1 0 1 1 1 1 I t 1 2 1 I t 1 1 1 1t
数学建模时间序列方法
在这些情况下，我们采用另一条预测途径：通过时间 序列的历史数据，得出关于其过去行为的有关结论，进而 对时间序列未来行为进行推断。
例如，时间序列过去是否有明显的增长趋势，如果增长 趋势在过去的行为中占主导地位，能否认为它也会在未来的行 为里占主导地位呢？
或者时间序列显示出循环周期性行为，我们能否利用过去 的这种行为来外推它的未来走向？
一、时间序列模型的基本概念及其适用性
数学建模时间序列方法
1、时间序列模型的基本概念
随机时间序列模型（time series modeling）是指仅用它的 过去值及随机扰动项所建立起来的模型，其一般形式为
Xt=F(Xt-1, Xt-2, …, t) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（ t =t），模型将是一个1阶自回归过程AR(1)：
§9.2 随机时间序列分析模型
一、时间序列模型的基本概念及其适用性 二、随机时间序列模型的平稳性条件 三、随机时间序列模型的识别 四、随机时间序列模型的估计 五、随机时间序列模型的检验
数学建模时间序列方法
• 经典计量经济学模型与时间序列模型 • 确定性时间序列模型与随机性时间序列
模型
数学建模时间序列方法
X t1 X t 12 X t 2t
方程两边同乘以Xt，再取期望得：
01122 E (X t t)
数学建模时间序列方法

又由于
E ( X tt ) 1 E ( X t 1 t ) 2 E ( X t 2 t ) E ( t 2 ) 2
于是
011222
同样地，由原式还可得到
定，则有E(Xt2)=E(Xt-12)，从而上式可变换为：
0
2 X
2 12
在稳定条件下，该方差是一非负的常数，从而有 ||<1。
数学建模时间序列方法
而AR(1)的特征方程
(z)1z0
的根为
z=1/
AR(1)稳定，即 || <1，意味着特征根大于1。
例9.2.2 AR(2)模型的平稳性。 对AR(2)模型
Xt=Xt-1+ t 这里， t特指一白噪声。
数学建模时间序列方法
一般的p阶自回归过程AR(p)是
Xt=1Xt-1+ 2Xt-2 + … + pXt-p + t
(*)
(1)如果随机扰动项是一个白噪声(t=t)，则称(*) 式为一纯AR(p)过程（pure AR(p) process），记为
Xt=1Xt-1+ 2Xt-2 + … + pXt-p +t (2)如果t不是一个白噪声，通常认为它是一个q 阶的移动平均（moving average）过程MA(q)：
数学建模时间序列方法
所谓随机时间序列模型的识别，就是对于一 个平稳的随机时间序列，找出生成它的合适的随 机过程或模型，即判断该时间序列是遵循一纯 AR过程、还是遵循一纯MA过程或ARMA过程。
所使用的工具主要是时间序列的自相关函数 （autocorrelation function，ACF）及偏自相关函 数（partial autocorrelation function， PACF ）。
t=t - 1t-1 - 2t-2 - - qt-q
该 式 给 出 了 一 个 纯 MA(q) 过 程 （ pure MA(p) process）。
数学建模时间序列方法
将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动 平均（autoregressive moving average）过程ARMA（p,q）：
●随机时间序列分析模型，就是要通过序列过去的变 化特征来预测未来的变化趋势。
使用时间序列分析模型的另一个原因在于： 如果经济理论正确地阐释了现实经济结构，则这一结 构可以写成类似于ARMA(p,q)式的时间序列分析模型的 形式。
数学建模时间序列方法
例如，对于如下最简单的宏观经济模型：
C t01 Y 12 C t 1t
注意， <0时，呈振荡衰减状。
数学建模时间序列方法
２阶自回归模型AR(2)
Xt=1Xt-1+ 2Xt-2 + t 该模型的方差0以及滞后1期与2期的自协方差1, 2分别为
q1 covX(t , Xtq1) (q1 1q)2 q covX(t ,Xtq) q2
当滞后期大于q时，Xt的自协方差系数为0。
因此:有限阶移动平均模型总是平稳的。
数学建模时间序列方法
3、ARMA(p,q)模型的平稳性
由于ARMA (p,q)模型是AR(p)模型与MA(q)模型的组合：
Xt=1Xt-1+ 2Xt-2 + … + pXt-p + t - 1t-1 - 2t-2 - - qt-q
数学建模时间序列方法
例9.2.1 AR(1)模型的平稳性条件。
对1阶自回归模型AR(1)
Xt Xt1t
方程两边平方再求数学期望，得到Xt的方差
E ( X t 2 ) 2 E ( X t 2 1 ) E (t 2 ) 2 E ( X t 1 t)
由于Xt仅与t相关，因此，E(Xt-1t)=0。如果该模型稳
因此，如果我们将一个非平稳时间序列通过d次差分，将 它变为平稳的，然后用一个平稳的ARMA(p,q)模型作为它的 生成模型，则我们就说该原始时间序列是一个自回归单整移 动平均（autoregressive integrated moving average）时 间序列，记为ARIMA(p,d,q)。
数学建模时间序列方法
对高阶自回模型AR(p)来说，多数情况下没有 必要直接计算其特征方程的特征根，但有一些有 用的规则可用来检验高阶自回归模型的稳定性：
(1)AR(p)模型稳定的必要条件是： 1+2++p<1
(2)由于i(i=1,2,p)可正可负，AR(p)模 型稳定的充分条件是：
|1|+|2|++|p|<1
(*)式变换为 (1-1L- 2L2-…-pLp)Xt=t
记(L)= (1-1L- 2L2-…-pLp),则称多项式方程
(z)= (1-1z- 2z2-…-pzp)=0
为AR(p)的特征方程(characteristic equation)。
可以证明，如果该特征方程的所有根在单位圆外 （根的模大于1），则AR(p)模型是平稳的。
数学建模时间序列方法
1、AR(p)过程
(1)自相关函数ACF 1阶自回归模型AR(1)
Xt=Xt-1+ t 的k阶滞后自协方差为：
k E ( X t k (X t 1 t) )k 1 k0
=1,2,…
因此，AR(1)模型的自相关函数为
k k 0k
=1,2,…
由AR(1)的稳定性知||<1，因此，k时，呈指数形 衰减，直到零。这种现象称为拖尾或称AR(1)有无穷记忆 （infinite memory）。
由AR(2)的平稳性，|2|=1/|z1||z2|<1 ，则至少有一个根 的模大于1，不妨设|z1|>1，有
12 z 1 z 1 z2 z2 z 1 1 z2 1 (1 z 1 1 )1 (z 1 2) 1
(1 1)(1 1)0
z1
z2
于是| z2 |>1。由 2 - 1 <1可推出同样的结果。
如果一个p阶自回归模型AR(p)生成的时间序列是平稳的， 就说该AR(p)模型是平稳的，
否则，就说该AR(p)模型是非平稳的。
数学建模时间序列方法
考虑p阶自回归模型AR(p) Xt=1Xt-1+ 2Xt-2 + … + pXt-p +t (*)
• 引入滞后算子（lag operator ）L： LXt=Xt-1, L2Xt=Xt-2, …, LpXt=Xt-p
而MA(q)模型总是平稳的，因此ARMA (p,q)模型的平 稳性取决于AR(p)部分的平稳性。
当AR(p)部分平稳时，则该ARMA(p,q)模型是平稳的， 否则，不是平稳的。
数学建模时间序列方法
最后
（1）一个平稳的时间序列总可以找到生成它的平稳的随 机过程或模型；
（2）一个非平稳的随机时间序列通常可以通过差分的方 法将它变换为平稳的，对差分后平稳的时间序列也可找出对 应的平稳随机过程或模型。
这也正是随机时间序列分析模型的优势所在。
数学建模时间序列方法
2、时间序列分析模型的适用性
• 经典回归模型的问题： • 迄今为止，对一个时间序列Xt的变动进行解释或预测，
是通过某个单方程回归模型或联立方程回归模型进行的， 由于它们以因果关系为基础，且具有一定的模型结构，因 此也常称为结构式模型（structural model）。 • 然而，如果Xt波动的主要原因可能是我们无法解释的因 素，如气候、消费者偏好的变化等，则利用结构式模型来 解释Xt的变动就比较困难或不可能，因为要取得相应的量 化数据，并建立令人满意的回归模型是很困难的。 • 有时，即使能估计出一个较为满意的因果关系回归方程， 但由于对某些解释变量未来值的预测本身就非常困难，甚 至比预测被解释变量的未来值更困难，这时因果关系的回 归模型及其预测技术就不适用了。