一文读懂AR、MA、ARMA中p q d Q统计量等知识 | 您所在的位置:网站首页 › arma模型阶数 › 一文读懂AR、MA、ARMA中p q d Q统计量等知识 |
原标题:一文读懂AR、MA、ARMA中p q d Q统计量等知识 来源:由计量经济学服务中心编辑整理,转载请注明来源 AC为序列的自相关系数,即t期序列与t-k期序列的相关系数; PAC为序列的偏相关系数,即t期序列对t-1,t-2,……,t-k期序列做回归时的偏回归系数。 Q统计量服从卡方分布,从Q的计算公式可知,Q的大小与自相关系数的大小呈正相关,因而当自相关系数越大,样本Q统计量越大,比它更大的Q统计量值越少,P值越小,越能拒绝自相关系数全为0的原假设,即序列存在自相关关系。另外,Q统计量还与滞后期K有关,是一个关于各期自相关系数平方的累积值。 其实,观察自相关图与偏相关图最主要的目的还是确定序列的ARMA(p,q)模型的具体形式。 当然,知道ARMA(p,q),对于ARIMA(p,d,q)相信你也会更清楚啦,d也是到底几阶差分,若是不平稳,当然也就没有ARIMA模型了! 第一,自回归过程与移动平均过程。自回归由序列的滞后变量的线性组合以及白声噪(符合0均值固定方差的随机干扰项)相加而成,移动平均过程为白声噪的线性组合构成; 第二,拖尾和截尾。前者指AC或者PAC呈几何衰减(指数式衰减或者正弦式衰减),后者指AC或者PAC在某一阶之前明显不为0,之后突然接近或者等于0.其实,从字面上也很好理解,拖尾就是拖拖拉拉,截尾就是抽刀断水。 怎么看拖尾,截尾呢,小编随后为您准备了干货分享,当然是管学会的! 其次是对ARMA模型的分解。 AR(p)模型,p看什么呢,ar需要看PACF,所以是第二列的图了; MA(q) 模型,q看什么呢,ma需要看ACF,所以是第一列的图了 若是存在截尾或者拖尾中的一个,模型就是AR(p)与MA(q)中选择,若是存在一阶或者大于一阶的截尾和拖尾,那就ARMA模型啦! 从自相关函数ACF来看,在自回归方程的基础上可以很简单地构造自相关系数,最后发现自相关系数等于w^k(w为自回归系数),对于平稳时间序列(注意这一前提条件,如果放开这一条件图形将会很难识别),|w|0时,ACF呈现为指数式衰减至0。当w0(v为移动平均系数)时,PACF呈现为交替式正弦衰减。当v |
CopyRight 2018-2019 实验室设备网 版权所有 |