第三章
-
Upload
gregory-richard -
Category
Documents
-
view
25 -
download
4
description
Transcript of 第三章
3.1 ARMA 模型的性质 AR 模型( Auto Regression Model ) MA 模型( Moving Average Model) ARMA 模型( Auto Regression
Moving Average model)
AR 模型的定义 具有如下结构的模型称为 阶自回归模型,
简记为
特别当 时,称为中心化 模型
tsEx
tsEVarE
xxxx
ts
sttt
p
tptpttt
,0
,0)(,)(0)(
02
22110
,
p)( pAR
00 )( pAR
e<-rnorm(1000) x1=e;x2=e;x3=e;x4=e for(i in 3:1000) {x1[i]=0.8*x1[i-1]+e[i] x2[i]=-1.1*x2[i-1]+e[i] x3[i]=x3[i-1]-0.5*x3[i-2]+e[i] x4[i]=x4[i-1]+0.5*x4[i-2]+e[i] }
AR 模型平稳性判别方法 特征根判别
AR(p) 模型平稳的充要条件是它的 p 个特征根都在单位圆内
根据特征根和自回归系数多项式的根成倒数的性质,等价判别条件是该模型的自回归系数多项式的根都在单位圆外
平稳域判别 平稳域
},,,{ 21 单位根都在单位圆内p
例 3.1 平稳性判别
8.01 0.8
1.11 1.1
2
11
i
2
12
i
2 2 1 2 10.5, 0.5, 1.5
2
311
2
312
2 2 1 2 10.5, 1.5, 0.5
模型 特征根判别 平稳域判别 结
论(1) 平稳
(2)非
平稳
(3) 平稳
(4)非
平稳
Green 函数定义 AR 模型的传递形式
其中系数 称为 Green 函数},2,1,{ jG j
jtj
jj
p
ijt
jii
p
i jt
jii
p
it
i
itt
Gk
BkB
k
Bx
00 1
1 01
)(1)(
Green 函数递推公式 原理
方法 待定系数法
递推公式
pk
pk
jGG
Gk
kkj
j
kkj ,0
,,
,2,1
1
1
0
其中
,
tttt
tt BGBBGx
xB
)()()(
)(
例 3.2: 求平稳 AR(1) 模型的方差 平稳 AR(1) 模型的传递形式为
Green 函数为
平稳 AR(1) 模型的方差
iti
it
i
itt B
Bx
01
01
1
)(1
,1,0,1 jG jj
21
22
0
21
0
2
1)()(
j
jt
jjt VarGxVar
协方差函数 在平稳 AR(p) 模型两边同乘 ,再求期望
根据
得协方差函数的递推公式
)()()()( 11 kttktptpkttktt xExxExxExxE ktx 1, k
0)( ktt xE 1, k
pkpkkk 2211
偏自相关系数 定义对于平稳 AR(p) 序列,所谓滞后 k 偏自相关系数
就是指在给定中间 k-1 个随机变量 的条件下,或者说,在剔除了中间 k-1 个随机变量的干扰之后, 对 影响的相关度量。用数学语言描述就是
121 ,,, kttt xxx
ktx tx
2,,,)ˆ[(
)]ˆ)(ˆ[(11
ktkt
ktktttxxxx
xExE
xExxExEkttktt
偏自相关系数的计算 滞后 k 偏自相关系数实际上就等于 k 阶
自回归模型第 k 个回归系数的值。
02211
202112
112011
kkkkkkk
kkkkk
kkkkk
])ˆ[(
)]ˆ)(ˆ[(2
ktkt
ktktttkk
xExE
xExxExE
MA 模型的定义 具有如下结构的模型称为 阶自回归模型,
简记为
特别当 时,称为中心化 模型
q)(qMA
0 )(qMA
1 1 2 2
2
0
( ) 0 ( ) , ( ) 0,
t t t t q t q
q
t t t s
x
E Var E s t
,
MA 模型的统计性质 自协方差函数 P 阶截
尾 自相关系数 P 阶截尾
q k
qk
kkq
iikik
q
k
,0
1 ,)(
0 ,)1(
2
1
2221
qk
qk
k
q
kq
iikik
k
,0
1 ,1
0 ,1
221
1
常用 MA 模型的自相关系数 MA(1) 模型 MA(2) 模型
2, 0
1, 1
0, 1
21
1
k
k
k
k
3, 0
2, 1
1, 1
0, 1
22
21
2
22
21
211
k
k
k
k
k
e<-rnorm(1000) x1=e;x2=e;x3=e;x4=e for(i in 3:1000) {x1[i]=e[i]-2*e[i-1] x2[i]=e[i]-0.5*e[i-1] x3[i]=e[i]-4/5*e[i-1]+16/25*e[i-2] x4[i]=e[i]-5/4*e[i-1]+25/16*e[i-2] }
MA 模型的可逆性 MA 模型自相关系数的不唯一性
例 3.6 中不同的 MA 模型具有完全相同的自相关系数和偏自相关系数
2121
11
16
25
4
5)4(
25
16
5
4)3(
5.0)2(2)1(
tttttttt
tttttt
xx
xx
逆函数的递推公式 原理
方法 待定系数法
递推公式
qk
qk
jII
Ik
kkj
j
kkj ,0
,,
,2,1
1
1
0
其中
,
tttt
tt xxBIBxBI
Bx
)()()(
)(
(3)—(4)
逆函数
逆转形式
可逆 1,125
16
5
412221 ttttx
,1,0,23,0
133,)1( 1
nnk
nnkI
kn
k
或
013
13
03
3 8.0)1(8.0)1(n
ntnn
nnt
nnt xx
不可逆 116
25
16
25
4
5221 ttttx
ARMA 模型的定义 具有如下结构的模型称为自回归移动平
均模型,简记为
特别当 时,称为中心化 模型
),( qpARMA
tsEx
tsEVarE
xxx
ts
sttt
qp
qtqttptptt
,0
,0)(,)(0)(
002
11110
,
,
00 ),( qpARMA
系数多项式 引进延迟算子,中心化 模型又可以
简记为
阶自回归系数多项式
阶移动平均系数多项式
),( qpARMA
tt BxB )()(
q BBBB 2211)(
pp
p BBBB 2211)(
平稳条件与可逆条件 ARMA(p,q) 模型的平稳条件
P 阶自回归系数多项式 的根都在单位圆外 即 ARMA(p,q) 模型的平稳性完全由其自回归部分
的平稳性决定 ARMA(p,q) 模型的可逆条件
q 阶移动平均系数多项式 的根都在单位圆外 即 ARMA(p,q) 模型的可逆性完全由其移动平滑部
分的可逆性决定
0)( B
0)( B
传递形式与逆转形式 传递形式 逆转形式
1
1 )()(
jjtjt
tt
G
BBx
1,
1
1
0
kGG
Gk
jjjkjk
1
1 )()(
jjtjt
tt
xIx
xBB
1,
1
1
0
kII
Ik
jjjkjk
e<-rnorm(1000) x5=e for(i in 3:1000) x5[i]=0.5*x5[i-1]+e[i]-0.8*e[i-1] par(mfrow=c(2,2)) ts.plot(x5) acf(x5);pacf(x5)
模型定阶的困难 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
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?
k k̂ kk̂
k̂
kk̂
k̂ kk̂
模型定阶经验方法 95%的置信区间
模型定阶的经验方法 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 d。
2 2ˆPr 0.95
2 2ˆPr 0.95
k
kk
n n
n n
x<-scan() 83.5 63.1 71 76.3 70.5 80.5 73.6 75.2 69.1 71.4 73.6 78.8 84.4 84.1 83.3 83.1 81.6 81.4 84 82.9 83.5 83.2 82.2 83.2 83.5 83.8 84.5 84.8 83.9 83.9 81 82.2 82.7 82.3 80.9 80.3 81.3 81.6 83.4 88.2 89.6 90.1 88.2 87 87 88.3 87.8 84.7 80.2
拟合模型识别 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
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
所以可以考虑拟合模型为 AR(1)
x<-scan() 78 -58 53 -63 13 -6 -16 -14 3 -74 89 -48 -14 32 56 -86 -66 50 26 59 -47 -83 2 -1 124 -106 113 -76 -47 -32 39 -30 6 -73 18 2 -24 23 -38 91 -56 -58 1 14 -4 77 -127 97 10 -28 -17 23 -2 48 -131 65 -17
拟合模型识别 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
偏自相关系数显示出典型非截尾的性质。 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)
x<-scan() -0.4 -0.37 -0.43 -0.47 -0.72 -0.54 -0.47 -0.54 -0.39 -0.19 -0.4 -0.44 -0.44 -0.49 -0.38 -0.41 -0.27 -0.18 -0.38 -0.22 -0.03 -0.09 -0.28 -0.36 -0.49 -0.25 -0.17 -0.45 -0.32 -0.33 -0.32 -0.29 -0.32 -0.25 -0.05 -0.01 -0.26 -0.48 -0.37 -0.2 -0.15 -0.08 -0.14 -0.13 -0.12 -0.1 0.13 -0.01 0.06 -0.17 -0.01 0.09 0.05 -0.16 0.05 -0.02 0.04 0.17 0.19 0.05 0.15 0.13 0.09 0.04 0.11 -0.03 0.03 0.15 0.04 -0.02 -0.13 0.02 0.07 0.2 -0.03 -0.07 -0.19 0.09 0.11 0.06 0.01 0.08 0.02 0.02 -0.27 -0.18 -0.09 -0.02 -0.13 0.02 0.03 -0.12 -0.08 0.17 -0.09 -0.04 -0.24 -0.16 -0.09 0.12 0.27 0.42 0.02 0.3 0.09 0.05
矩估计 原理
样本自相关系数估计总体自相关系数
样本一阶均值估计总体均值,样本方差估计总体方差
1 1 1 1
1 1
ˆ( , , , , , )
ˆ( , , , , , )
p q
p q p q p q
1ˆ
n
ii
xx
n
2
221
2212 ˆ
ˆˆ1
ˆˆ1ˆ x
q
p
例 3.10:求 AR(2) 模型系数的矩估计 AR(2) 模型 Yule-Walker 方程
矩估计( Yule-Walker 方程的解)
tttt xxx 2211
2112
1211
121
21 ˆ
ˆ1
ˆ1ˆ
21
212
2 ˆ1
ˆˆˆ
例 3.12:求 ARMA(1,1) 模型系数的矩估计
ARMA(1,1) 模型 方程
矩估计
1111 tttt xx
1 1 1 1 11 2
0 1 1 1
2 1 1
( )(1 )
1 2
11
22
1
2
2
11
21 ˆ
ˆ21,
2,2
4
2,2
4
ˆ,ˆ
ˆˆ
c
ccc
ccc
对矩估计的评价 优点
估计思想简单直观 不需要假设总体分布 计算量小(低阶模型场合)
缺点 信息浪费严重
只用到了 p+q 个样本自相关系数信息,其他信息都被忽略 估计精度差
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
极大似然估计 原理
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
},,,);~(max{)~,;ˆ,,ˆ,ˆ( 21121 kk xpxxL
似然方程
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
( )S ln
0~)
~(
2
1~
ln
2
1)~;
~(~
02
)~
(
2)~;
~(
2
422
Sxl
Snxl
arima(x, order = c(0, 0, 0), seasonal = list(order = c(0, 0, 0), period = NA), xreg = NULL, include.mean = TRUE, transform.pars = TRUE, fixed = NULL, init = NULL, method = c("CSS-ML", "ML", "CSS"), n.cond, optim.method = "BFGS", optim.control = list(), kappa = 1e6)
例 2.5 续 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 拟合模型: AR(1) 估计方法:极大似然估计 模型口径
ttt xx 169.017.25
17.16)ˆ( 2 Var
x1<-scan() 83.5 63.1 71 76.3 70.5 80.5 73.6 75.2 69.1 71.4 73.6 78.8 84.4 84.1 83.3 83.1 81.6 81.4 84 82.9 83.5 83.2 82.2 83.2 83.5 83.8 84.5 84.8 83.9 83.9 81 82.2 82.7 82.3 80.9 80.3 81.3 81.6 83.4 88.2 89.6 90.1 88.2 87 87 88.3 87.8 84.7 80.2
例 3.8续 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 拟合模型: MA(1) 估计方法:条件最小二乘估计 模型口径
tt Bx )82303.01(40351.4
929.2178)ˆ( 2 Var
x2<-scan() 78 -58 53 -63 13 -6 -16 -14 3 -74 89 -48 -14 32 56 -86 -66 50 26 59 -47 -83 2 -1 124 -106 113 -76 -47 -32 39 -30 6 -73 18 2 -24 23 -38 91 -56 -58 1 14 -4 77 -127 97 10 -28 -17 23 -2 48 -131 65 -17
例 3.9续 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 拟合模型: ARMA(1,1) 估计方法:条件最小二乘估计 模型口径
11 9.0407.0003.0 tttt xx
016.0)ˆ( 2 Var
x3<-scan() -0.4 -0.37 -0.43 -0.47 -0.72 -0.54 -0.47 -0.54 -0.39 -0.19 -0.4 -0.44 -0.44 -0.49 -0.38 -0.41 -0.27 -0.18 -0.38 -0.22 -0.03 -0.09 -0.28 -0.36 -0.49 -0.25 -0.17 -0.45 -0.32 -0.33 -0.32 -0.29 -0.32 -0.25 -0.05 -0.01 -0.26 -0.48 -0.37 -0.2 -0.15 -0.08 -0.14 -0.13 -0.12 -0.1 0.13 -0.01 0.06 -0.17 -0.01 0.09 0.05 -0.16 0.05 -0.02 0.04 0.17 0.19 0.05 0.15 0.13 0.09 0.04 0.11 -0.03 0.03 0.15 0.04 -0.02 -0.13 0.02 0.07 0.2 -0.03 -0.07 -0.19 0.09 0.11 0.06 0.01 0.08 0.02 0.02 -0.27 -0.18 -0.09 -0.02 -0.13 0.02 0.03 -0.12 -0.08 0.17 -0.09 -0.04 -0.24 -0.16 -0.09 0.12 0.27 0.42 0.02 0.3 0.09 0.05
模型的显著性检验 目的
检验模型的有效性(对信息的提取是否充分) 检验对象
残差序列 判定原则
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
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
检验统计量 (ljung-box test) LB 统计量 R(Box.test) Box.test (x, lag = 1, type =
"Ljung") 22
1
ˆ( 2) ( ) ~ ( )
mk
k
LB n n mn k
例 2.5 续 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
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
6 5.83 0.3229拟合模型显著有效
12 10.28 0.505018 11.38 0.8361
x1<-scan() 83.5 63.1 71 76.3 70.5 80.5 73.6 75.2 69.1 71.4 73.6 78.8 84.4 84.1 83.3 83.1 81.6 81.4 84 82.9 83.5 83.2 82.2 83.2 83.5 83.8 84.5 84.8 83.9 83.9 81 82.2 82.7 82.3 80.9 80.3 81.3 81.6 83.4 88.2 89.6 90.1 88.2 87 87 88.3 87.8 84.7 80.2
xr1=resid(arima(x1,order=c(1,0,0))) Box.test (xr1, lag = 1, type = "Ljung") Box.test (xr1, lag = 6, type = "Ljung") Box.test (xr1, lag = 12, type = "Ljung") Box.test (xr1, lag = 18, type = "Ljung")
例 2.5 续 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
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1
mar=arima(x1,order=c(1,0,0)) abs(mar$coef)/
sqrt(diag(mar$var.coef))
1-pnorm(abs(mar$coef)/sqrt(diag(mar$var.coef)))
例 3.8续 :对 OVERSHORTS 序列的拟合模型进行检验
残差白噪声检验
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6 3.15 0.6772 模型显著
有效12 9.05 0.6171
1
x2<-scan() 78 -58 53 -63 13 -6 -16 -14 3 -74 89 -48 -14 32 56 -86 -66 50 26 59 -47 -83 2 -1 124 -106 113 -76 -47 -32 39 -30 6 -73 18 2 -24 23 -38 91 -56 -58 1 14 -4 77 -127 97 10 -28 -17 23 -2 48 -131 65 -17
mar2=arima(x2,order=c(0,0,1)) xr2=resid(mar2) Box.test (xr2, lag = 6, type = "Ljung") Box.test (xr2, lag = 12, type = "Ljung") 1-pnorm(abs(mar2$coef)/
sqrt(diag(mar2$var.coef))) abs(mar2$coef)/
sqrt(diag(mar2$var.coef))
例 3.9续 : 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
残差白噪声检验
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
3.5 0.0007 显著
延迟阶数 LB 统计量 P 值 结论6 5.28 0.2595 模型显著
有效12 10.30 0.4247
1
1
x3<-scan() -0.4 -0.37 -0.43 -0.47 -0.72 -0.54 -0.47 -0.54 -0.39 -0.19 -0.4 -0.44 -0.44 -0.49 -0.38 -0.41 -0.27 -0.18 -0.38 -0.22 -0.03 -0.09 -0.28 -0.36 -0.49 -0.25 -0.17 -0.45 -0.32 -0.33 -0.32 -0.29 -0.32 -0.25 -0.05 -0.01 -0.26 -0.48 -0.37 -0.2 -0.15 -0.08 -0.14 -0.13 -0.12 -0.1 0.13 -0.01 0.06 -0.17 -0.01 0.09 0.05 -0.16 0.05 -0.02 0.04 0.17 0.19 0.05 0.15 0.13 0.09 0.04 0.11 -0.03 0.03 0.15 0.04 -0.02 -0.13 0.02 0.07 0.2 -0.03 -0.07 -0.19 0.09 0.11 0.06 0.01 0.08 0.02 0.02 -0.27 -0.18 -0.09 -0.02 -0.13 0.02 0.03 -0.12 -0.08 0.17 -0.09 -0.04 -0.24 -0.16 -0.09 0.12 0.27 0.42 0.02 0.3 0.09 0.05
mar3=arima(x3,order=c(1,1,1)) xr3=resid(mar3) Box.test (xr3, lag = 12, type =
"Ljung") Box.test (xr3, lag =6, type = "Ljung") abs(mar3$coef)/
sqrt(diag(mar3$var.coef)) 1-pnorm(abs(mar3$coef)/
sqrt(diag(mar3$var.coef)))
x4<-scan() 1: 47 2: 64 3: 23 4: 71 5: 38 6: 64 7: 55 8: 41 9: 59 10: 48 11: 71 12: 35 13: 57 14: 40 15: 58 16: 44 17: 80 18: 55 19: 37 20: 74 21: 51 22: 57 23: 50 24: 60 25: 45 26: 57 27: 50 28: 45 29: 25 30: 59 31: 50 32: 71 33: 56 34: 74 35: 50 36: 58 37: 45 38: 54 39: 36 40: 54 41: 48 42: 55 43: 45 44: 57 45: 50 46: 62 47: 44 48: 64 49: 43 50: 52 51: 38 52: 59 53: 55 54: 41 55: 53 56: 49 57: 34 58: 35 59: 54 60: 45 61: 68 62: 38 63: 50 64: 60 65: 39 66: 59 67: 40 68: 57 69: 54 70: 23 71:
mar4=arima(x4,order=c(0,0,2)) xr4=resid(mar4) Box.test (xr4, lag = 6, type = "Ljung") Box.test (xr4, lag = 12, type = "Ljung") 1-pnorm(abs(mar4$coef)/
sqrt(diag(mar4$var.coef))) abs(mar4$coef)/
sqrt(diag(mar4$var.coef))
mar42=arima(x4,order=c(1,0,0)) xr42=resid(mar42) Box.test (xr42, lag = 6, type = "Ljung") Box.test (xr42, lag = 12, type = "Ljung") 1-pnorm(abs(mar42$coef)/
sqrt(diag(mar42$var.coef))) abs(mar42$coef)/
sqrt(diag(mar42$var.coef))
例 3.13 续 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
结果 AR(1) 优于 MA(2)
模型 AIC SBC
MA(2) 536.4556 543.2011AR(1) 535.7896 540.2866
序列分解
1 1 1 1 1 1
ˆ( ) ( )t l t l t l l t l t l t
t t
x G G G G
e l x l
预测误差 预测值
)]([),,(
)(ˆ),,(
1
1
leVarxxxVar
lxxxxE
tttlt
ttlt
AR(p) 序列的预测 预测值
预测方差
95%置信区间
)(ˆ)1(ˆ)(ˆ 1 plxlxlx tpt
221
21 )1()]([ lt GGleVar
1
2 2 21 1
12
ˆ ( ) 1t lx l z G G
例 3.14 已知某超市月销售额近似服从 AR(2) 模
型(单位:万元 /每月)
今年第一季度该超市月销售额分别为:101 , 96 , 97.2万元
请确定该超市第二季度每月销售额的 95%的置信区间
1 210 0.6 0.3 , ~ (0,36)t t t t tx x x N
例 3.14解:预测值计算 四月份
五月份
六月份
12.973.06.010)1(ˆ 233 xxx
432.973.0)1(ˆ6.010)2(ˆ 333 xxx
5952.97)1(ˆ3.0)2(ˆ6.010)3(ˆ 333 xxx
例 3.14解:预测方差的计算 GREEN 函数
方差
0
1 1 0
2 1 1 2 0
1
0.6
0.36 0.3 0.66
G
G G
G G G
6416.64)()]3([
96.48)()]2([
36)]1([
222
21
203
221
203
2203
GGGeVar
GGeVar
GeVar
例 3.14解:置信区间 公式
估计结果
))]([96.1)(ˆ,)]([96.1)(ˆ( 3333 leVarlxleVarlx
预测时期 95%置信区间四月份 ( 85.36 , 108.8
8 ) 五月份 ( 83.72 , 111.1
5) 六月份 ( 81.84 , 113.3
5)
例 3.15 已知某地区每年常驻人口数量近似服从MA(3) 模型
(单位:万):
最近 3年的常驻人口数量及一步预测数量如下:
预测未来 5年该地区常住人口的 95%置信区间
121 2.06.08.0100 tttttx
年份 统计人数 预测人数2002 104 1102003 108 1002004 105 109
例 3.15解:估计值的计算
100)5(ˆ
100)4(ˆ
8.1002.0100)3(ˆ
962.06.0100)2(ˆ
2.1092.06.08.0100)1(ˆ
1
21
t
t
tt
ttt
tttt
x
x
x
x
x
例 3.15解:预测方差的计算
51)1()]5([
51)1()]4([
50)1()]3([
41)1()]2([
25)]1([
223
22
21
223
22
21
222
21
221
2
t
t
t
t
t
eVar
eVar
eVar
eVar
eVar
例 3.15解:置信区间的计算
预测年份 95%置信区间2005 ( 99, 119 ) 2006 ( 83 , 109 ) 2007 ( 87 , 115) 2008 ( 86 , 114) 2009 ( 86 , 114)
例 3.16解:估计值的计算
14976.0)2(ˆ8.0)3(ˆ
1872.0)1(ˆ8.0)2(ˆ
234.06.08.0)1(ˆ
100100
100100
100100100
xx
xx
xx
例 3.16解:预测方差的计算 Green 函数
方差16.0
2.0
1
112
1011
0
GG
GG
G
002664.0)()]3([
0026.0)()]2([
0025.0)]1([
222
21
20100
221
20100
220100
GGGeVar
GGeVar
GeVar
修正预测 定义
所谓的修正预测就是研究如何利用新的信息去获得精度更高的预测值
方法 在新的信息量比较大时——把新信息加入到旧的信息中,重新拟合模型
在新的信息量很小时——不重新拟合模型,只是将新的信息加入以修正预测值,提高预测精度
修正预测原理 在旧信息的基础上, 的预测值为
假设新获得一个观察值 ,则 的修正预测值为
修正预测误差为
预测方差为
ltx
11)(ˆ ttlt GGlx
ltx
1tx
)(ˆ)1(ˆ 1111111 lxGGGGlx ttltltltlt
2201 )1( tlltt GGle
222
201 )()]1([ lt GGleVar
一般情况 假设新获得 p 个观察值 ,则
的修正预测值为
修正预测误差为
预测方差为
ptt xx ,,1
ltx
)(ˆ)(ˆ 11 lxGGplx ttlptplpt
110)( ptplltpt GGple
221
20 )()]([ plpt GGpleVar
例 3.14 续 :假如四月份的真实销售额为 100 万元,求二季度后两个月销售额的修正预测值 计算四月份的预测误差
计算修正预测值
计算修正方差
4 4 3ˆ (1) 100 97.12 2.88x x
50.99)3(ˆ)2(ˆ
16.99)2(ˆ)1(ˆ
3424
3414
xGx
xGx
96.48)()]2([)]2([
36)]1([)]1([22
12034
22034
GGeVareVar
GeVareVar
修正置信区间
预测时期 修正前置信区间 修正后置信区间四月份 ( 85.36 , 108.8
8 ) 五月份 ( 83.72 , 111.1
5) ( 87.40, 110.9
2) 六月份 ( 81.84 , 113.3
5) ( 85.79, 113.2
1)