季节时间序列模型.ppt
第三章 季节时间序列模型,3.1 季节时间序列模型的建立3.2 季节时间序列模型的识别3.3 季节时间序列模型的估计、检验 与预测3.4 案例分析,北京市社会商品零售额月度数据,香港GDP季度数据,我们在分析问题的时候何时应选取季度或者月度数据呢？,季度时间序列、月度时间序列、周度时间序列等时间序列中往往存在着明显的周期性变化，这种周期往往是由于季节性变化引起的，因此这种序列又称为季节性时间序列。这种序列怎么建立模型？,seasonal ARIMA model,SARIMAmultiplicative seasonal model 1、季节差分：消除季节单位根 假设季节性序列的变化周期为s，存在季节单位根即yt=yt s+ut，则季节差分为yt-yt s.季节差分算子定义为，s=1-Ls 则对yt进行一次季节差分表示为 s yt=(1-Ls)yt=yt-yt-s 若非平稳季节性时间序列存在D个季节单位根，则需要进行D次季节差分之后才能转换为平稳序列。即s Dyt,3.1 季节时间序列模型的建立,与一般时间序列模型对照来学习,2、季节自回归算子与移动平均算子：描述季节相关性 类比一般的时间序列模型，序列xt=sDyt中含有季节自相关和移动平均成份意味着，即sDyt可以建立关于周期为s的P阶自回归Q阶移动平均季节时间序列模型。P(Ls)sDyt=Q(Ls)ut 其中P(Ls)=(1-1 Ls-2 L2s-P LPs)称为季节自回归算子;Q(Ls)=(1+1Ls+2 L2s+Q LPs)称为季节移动平均算子,3、季节时间序列模型的一般形式：乘积季节模型 当ut非平稳且存在ARMA成分时，则可以把ut描述为 p(L)dut=q(L)vt 其中vt为白噪声过程，p,q分别表示非季节自回归、移动平均算子的最大阶数，d表示ut的一阶（非季节）差分次数。由上式得 ut=p-1(L)-d q(L)vt 代入P(Ls)sDyt=Q(Ls)ut 得到 p(L)P(Ls)(dsDyt)=q(L)Q(Ls)vt 其中下标P,Q,p,q分别表示季节与非季节自回归、移动平均算子的最大滞后阶数，d,D分别表示非季节和季节性差分次数。上式称作(p,d,q)(P,D,Q)s 阶季节时间序列模型或乘积季节模型。,当协方差平稳序列dsDyt含有均值等确定性成分时（通常如此），上述模型表示为，p(L)P(Ls)(dsDyt-)=q(L)Q(Ls)vt 保证（dsDyt）具有平稳性的条件是p(L)P(Ls)=0的所有根在单位圆外；保证（dsDyt）具有可逆性的条件是q(L)Q(Ls)=0的所有根在单位圆外。当P=D=Q=0时，SARIMA模型退化为ARIMA模型；从这个意义上说，ARIMA模型是SARIMA模型的特例。当P=D=Q=p=q=d=0时，SARIMA模型退化为白噪声模型。例如，(1,1,1)(1,1,1)12 阶月度SARIMA模型表达为(1-1 L)(1-1 L12)12 yt=(1+1 L)(1+1 L12)vt 则 12 yt具有平稳性的条件是 1 1，1 1，12 yt具有可逆性的条件是 1 1，1 1。,3.2 季节时间序列模型的识别,1、首先要确定d,D。存在一般单位根时相应相关图的呈缓慢线性衰减。存在季节单位根的特征是相应的相关图中s整数倍时点上的值呈缓慢衰减。,3.2 季节时间序列模型的识别,2、如果相关图和偏相关图在变化周期s的整倍数时点上出现峰值或衰减变化。说明存在季节自回归或移动平均成份。同p和q的识别一样，同样可以根据相关图偏相关图来识别P和Q。3、用对数的季节时间序列数据建模时通常D不会大于1，P和Q不会大于3。,3.3 季节时间序列模型的估计、检验与预测,乘积季节模型参数的估计、检验与前面介绍的估计、检验方法相同。利用乘积季节模型预测也与上面介绍的预测方法类似。我们重点看一下Eviews操作。例，(1,1,1)(1,1,1)12 阶月度SARIMA模型表达为(1-1 L)(1-1 L12)12 yt=(1+1 L)(1+1 L12)vt 其中，yt=ln(Yt)，则 上式的Eviews命令是，DLOG(Y,1,12)AR(1)SAR(12)MA(1)SMA(12),对序列Y进行差分或取对数的EViews命令,例，(0,1,1)(0,1,1)12 阶月度SARIMA模型表达为 12 yt=(1+1 L)(1+1 L12)vt 上式的EViews估计命令是 DLOG(Y,1,12)MA(1)SMA(12)上式还可以写为，12 yt=(1+1 L)(1+1 L12)vt=vt+1 L vt+1 L12vt+1 1 L13vt=vt+1 vt 1+1 vt 12+1 1 vt 13上式也可以用如下的EViews命令估计DLOG(Y,1,12)MA(1)MA(12)MA(13)上述估计命令对应的模型表达式是 12 yt=vt+1 vt 1+12 vt 12+13 vt 13,区别在于前者等价于约束13=1 1,预测：12 yt=vt+1 vt 1+1 vt 12+1 1 vt 13 12 yt=(yt yt-12)=yt yt-12=yt yt-1 yt-12+yt 13 在这个例子中，综合上述两式，用于预测的模型形式是 yt=yt-1+yt-12 yt 13+vt+1 vt 1+1 vt 12+1 1 vt 13,3.4 案例分析,1、北京市社会商品零售额月度数据（1978:11989:11）(file:5b2c3),Lnyt的相关图和偏相关图,Lnyt一次差分即Lnyt,Lnyt二次差分,Lnyt的相关图和偏相关图,Lnyt一次季节差分即12Lnyt,12 Lnyt的相关图和偏相关图,12 Lnyt均值近似为零。,12 Lnyt的相关图和偏相关图,估计yt 的(1,1,1)(1,1,0)12阶季节时间序列模型(加入SMA(12)项发现其参数不显著)EViews估计命令是DLOG(Y,1,12)AR(1)SAR(12)MA(1),(1+0.5924 L)(1+0.4093 L12)12Lnyt=(1+0.4734 L)vt(-4.5)(-5.4)(2.9)R2=0.33,s.e.=0.146,Q36=15.5,20.05(36-2-1)=44,模型平稳可逆，自回归部分有13个特征根，移动平均部分有1个特征根。但是对序列Lnyt来说，其实一共有26个自回归部分的根，因此对于Lnyt序列一共有 27个特征根。,试试看，有没有更好的模型？,Eviews5的输出结果，Eviews6会有微小差别。,模型残差的相关图、偏相关图,样本内预测：选取静态预测方法,12 Lnyt的实际与预测序列 yt的实际与预测序列,对1989年第12月份yt进行样本外1期预测，结果如图。,相对预测误差是=0.076,2、香港GDP季度数据（1980:12002:3）file:HongKong,LnGDPt的相关图和偏相关图,LnGDPt的相关图和偏相关图,LnGDPt,2LnGDPt,4LnGDPt,4 LnGDPt,建立(2,1,2)(1,1,1)4 模型。EViews估计命令是:DLOG(GDP,1,4)C AR(1)AR(2)SAR(4)MA(1)MA(2)SMA(4),(1-1.20 L+0.66 L2)(1-0.33 L4)(4LnGDPt+0.0023)(14.4)(-8.8)(2.8)(-2.45)=(1-1.16 L+0.97 L2)(1-0.95 L4)vt(-55.9)(86.1)(-32.8)R2=0.57,F=16.1,Q36=19.3,20.05(36-3-3)=43.8说明残差通过了36期的Q检验。,模型平稳可逆，自回归部分有6个特征根，移动平均部分有6个特征根。但是对序列LnGDPt来说，其实一共有11个自回归部分的根，因此对于Lnyt序列一共有 17个特征根。,Eviews5的输出结果，Eviews6会有微小差别。,样本内预测：选取静态预测方法,4 LnGDPt的实际与预测序列 GDPt的实际与预测序列,对2002年第4季度GDPt进行样本外1期预测，结果如下：,相对预测误差是=,=0.006,
