【正文】 7:45:38 上午 7:45 上午 07:45:38五月 21MOMODA POWERPOINTLorem ipsum dolor sit amet, consectetur adipiscing elit. Fusce id urna blandit, eleifend nulla ac, fringilla purus. Nulla iaculis tempor felis ut cursus. 感謝您的下載觀看專 家告 訴。 五月 217:45 上午 五月 2107:45May 13, 2023? 1業(yè)余生活要有意義，不要越軌。 五月 21五月 2107:45:3807:45:38May 13, 2023? 1意志堅強(qiáng)的人能把世界放在手中像泥塊一樣任意揉捏。 07:45:3807:45:3807:45Thursday, May 13, 2023? 1知人者智，自知者明。 07:45:3807:45:3807:455/13/2023 7:45:38 AM? 1越是沒有本領(lǐng)的就越加自命不凡。 7:45:38 上午 7:45 上午 07:45:38五月 21? 楊柳散和風(fēng)，青山澹吾慮。 五月 217:45 上午 五月 2107:45May 13, 2023? 1少年十五二十時，步行奪得胡馬騎。 13 五月 20237:45:38 上午 07:45:38五月 21? 1楚塞三湘接，荊門九派通。 07:45:3807:45:3807:45Thursday, May 13, 2023? 1不知香積寺，數(shù)里入云峰。 07:45:3807:45:3807:455/13/2023 7:45:38 AM? 1成功就是日復(fù)一日那一點(diǎn)點(diǎn)小小努力的積累。 7:45:38 上午 7:45 上午 07:45:38五月 21? 沒有失敗，只有暫時停止成功！。 五月 217:45 上午 五月 2107:45May 13, 2023? 1行動出成果，工作出財富。 13 五月 20237:45:38 上午 07:45:38五月 21? 1比不了得就不比，得不到的就不要。 07:45:3807:45:3807:45Thursday, May 13, 2023? 1乍見翻疑夢，相悲各問年。 07:45:3807:45:3807:455/13/2023 7:45:38 AM? 1以我獨(dú)沈久，愧君相見頻。 2) 比較結(jié)果3) 討論注意 要復(fù)權(quán)數(shù)據(jù) 要近期無長時停牌? 靜夜四無鄰，荒居舊業(yè)貧。 作業(yè) :1) 給出某只股票每日開盤價的時間序列分析預(yù)測模型 ,并給出第二天預(yù)測。模型的預(yù)測結(jié)果。 表 3對中國居民人均居民消費(fèi)水平的 2期外推預(yù)測。 最后，給出通過模型 3的外推預(yù)測。 不同模型的回歸結(jié)果列于表 。 下面只建立 中國人均居民消費(fèi)（ CPC） 的隨機(jī)時間序列模型。 對 2023年中國支出法 GDP的預(yù)測結(jié)果（億元） 預(yù)測值 實(shí)際值 誤差 模型 1 95469 95933 % 模型 3 97160 95933 % 由于 中國人均居民消費(fèi)（ CPC）與人均國內(nèi)生產(chǎn)總值（GDPPC）這兩時間序列是非平穩(wěn)的，因此不宜直接建立它們的因果關(guān)系回歸方程。 模型 1可作如下展開： 于是，當(dāng)已知 n n n3期的 GDP時，就可對第 n期的 GDP作出外推預(yù)測。因此 : 模型 1與 3可作為描述中國支出法 GDP一階差分序列的隨機(jī)生成過程。 本例中加入常數(shù)項(xiàng)的回歸為： （ ） （ ） （ ） r2 = R2 = DW.= ? 模型檢驗(yàn) 下表列出三模型的殘差項(xiàng)的自相關(guān)系數(shù)及 QLB檢驗(yàn)值。再次驗(yàn)證了一階差分后的GDP滿足 AR(2)隨機(jī)過程。因此 可初步判斷該序列滿足 2階自回歸過程 AR(2)。 記 GDP經(jīng)一階差分后的新序列為 GDPD1，該新序列的樣本自相關(guān)函數(shù)圖與偏自相關(guān)函數(shù)圖如下： 例 中國支出法 GDP的 ARMA(p,q)模型估計。 常用的模型選擇的判別標(biāo)準(zhǔn)有： 赤池信息法 （ Akaike informanion crinerion， 簡記為 AIC）與 施瓦茲貝葉斯法 （Schwarnz Bayesian crinerion， 簡記為 SBC）： 由第一節(jié)知：中國支出法 GDP是非平穩(wěn)的， 但它的一階差分是平穩(wěn)的，即支出法 GDP是 I(1)時間序列。 在選擇可能的模型時， AIC與 SBC越小越好 顯然，如果添加的滯后項(xiàng)沒有解釋能力，則對 RSS值的減小沒有多大幫助，卻增加待估參數(shù)的個數(shù)，因此使得 AIC或 SBC的值增加。 因此， 對可能的適當(dāng)?shù)哪Ｐ停嬖谥Ｐ偷摹昂啙嵭?”與模型的擬合優(yōu)度的權(quán)衡選擇問題。 AIC與 SBC模型選擇標(biāo)準(zhǔn) 另外一個遇到的問題是，在實(shí)際識別ARMA(p,q)模型時，需多次反復(fù)償試，有可能存在不止一組（ p,q）值都能通過識別檢驗(yàn)。殘差項(xiàng)的白噪聲檢驗(yàn) 可用 QLB的統(tǒng)計量進(jìn)行 ?2檢驗(yàn) ：在給定顯著性水平下，可計算不同滯后期的 QLB值，通過與 ?2分布表中的相應(yīng)臨界值比較，來檢驗(yàn)是否拒絕殘差序列為白噪聲的假設(shè)。 如果通過所估計的模型計算的樣本殘差不代表一白噪聲，則說明模型的識別與估計有誤，需重新識別與估計。 該方程組建立了 AR(p)模型的模型參數(shù) a1,a2,? ,ap與自相關(guān)函數(shù)?1,?2,? ,?p的關(guān)系， 利用實(shí)際時間序列提供的信息， 首先 求得自相關(guān)函數(shù)的估計值 然后 利用 Yule Walker 方程組，求解模型參數(shù)的估計值由于 于是 從而可得 ??2的估計值 在具體計算時，可用樣本自相關(guān)函數(shù) rk替代。 （ 3） 下面有選擇地加以介紹。 當(dāng) p=0時，它具有截尾性質(zhì) ； 當(dāng) q=0時，它具有拖尾性質(zhì)； 當(dāng) p、 q都不為 0時，它具有拖尾性質(zhì) 從識別上看，通常： ARMA(p， q)過程的偏自相關(guān)函數(shù)（ PACF） 可能在 p階滯后前有幾項(xiàng)明顯的尖柱（ spikes），但從 p階滯后項(xiàng)開始逐漸趨向于零； 而 它的自相關(guān)函數(shù)（ ACF） 則是在 q階滯后前有幾項(xiàng)明顯的尖柱，從 q階滯后項(xiàng)開始逐漸趨向于零。 因此， 如果計算的 rk滿足：我們 就有 %的把握判斷原時間序列在 q之后截尾 。 同樣需要注意的是 ：在實(shí)際識別時，由于樣本自相關(guān)函數(shù) rk是總體自相關(guān)函數(shù) ?k的一個估計，由于樣本的隨機(jī)性，當(dāng) kq時， rk不會全為 0，而是在 0的上下波動。 與 MA(1)相仿，可以驗(yàn)證 MA(q)過程的偏自相關(guān)函數(shù)是非截尾但趨于零的。 其 自協(xié)方差系數(shù) 為 一般地， q階移動平均過程 MA(q) 相應(yīng)的 自相關(guān)函數(shù) 為 可見，當(dāng) kq時， Xn與 Xnk不相關(guān)，即存在截尾現(xiàn)象，因此， 當(dāng) kq時， ?k=0是 MA(q)的一個特征 。 注意 : (*)