还剩1页未读,继续阅读
文本内容:
膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莆羅节蒄蒆蚅肅莀蒅螇芀芆蒄衿肃膂蒃肁袆薁蒂螁膂蒇蒁袃羄莃蒀羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇羂膆莆薆螂罿节薅袄芅膈薄羇肇蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅肂莅虿羇羅芁蚈蚇膁膇蚇蝿羃蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莆羅节蒄蒆蚅肅莀蒅螇芀芆蒄衿肃膂蒃肁袆薁蒂螁膂蒇蒁袃羄莃蒀羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇羂膆莆薆螂罿节薅袄芅膈薄羇肇蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅肂莅虿羇羅芁蚈蚇膁膇蚇蝿羃蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莆羅节蒄蒆蚅肅莀蒅螇芀芆蒄衿肃膂蒃肁袆薁蒂螁膂蒇蒁袃羄莃蒀羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇羂膆莆薆螂罿节薅袄芅膈薄羇肇蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅肂莅虿羇羅芁蚈蚇膁膇蚇蝿羃蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莆羅节蒄蒆蚅肅莀蒅螇芀芆蒄衿時間數列分析與預測講習會許可達
一、前言本講習會於__餘年前由刁錦寰院士創辦,目的在訓練__部門與統計相關業務人員及大學中教授統計或計量經濟學的教師
二、研討會主要主題與內容本次講習會的師資有刁錦寰及蔡瑞胸院士兩位院士,陳江、林金龍與韋端三位教授,課程之內容則包括
1.MultivariateNormalandnotations
2.Vector__Models
3.VectorARModels
4.VectorAR__andnonstationarymodels
5.Over-differencingissues
6.SpecificationofMixedmodels
7.Esti__tionofVAR__models
8.ForecastingofVAR__models
9.SeasonalVAR__models
10.VolitilityModels
11.PrincipalComponentandCanonical____ysis
12.CanonicalCorrelations____ysis
13.ScalarComponentModel
14.CausalityTesting
15.Taiwan__croModels
三、研究理念或發表動機本人研究之主要領域牽涉及匯率與利率資料的處理,在研究方法上必然牽涉到時間數列的問題加以本人所開設的課程包含研究所的數量方法,因本人並非學習計量經濟學出身,有必要再行進修研習以帶給同學更加充實的課程內容
四、研習過程與心得統計分析可大別為model-based與non-model-based時間數列分析屬於後者所謂時間數列為儲存為相同時間間距的資料某些資料,如銷售資料,雖然本身並非時間數列,但可儲存為時間數列的形式時間數列分析的目的如下
1.Forecasting
2.UnderstandingRelationship
3.Impact____ysis
4.Control但單變量時間數列忽略第
2、
3、4項,故需從事多變量時間數列分析早在1920年代,UdnyYule發展了一套對平穩時間數列非常有效的模型,即移動平均模型(Moving__erageModel)及自我回歸模型(AutoregressiveModel)一個多變量__(q)可表為如果所有的都是上三角或是下三角,表示可能有單向關係在__時,一個Shock的效果消失很快一個多變量AR(p)可表為如果所有的都是上三角或是下三角,表示可以有單向的表示方式在AR時,一個Shock的效果消失緩慢1970年Box與Jenkins提出進階的建模技術並且以遞迴的方式對時間數列資料建構模型,稱為ARI__模型,一個多變量AR__(pq)可表為遞迴的方法主要分為三個步驟
一、暫定模型(ModelIdentification)
二、對未知參數作有效的估計(EfficientEsti__tion)
三、診斷性檢查(ModelChecking)-若有必要回到一重做在模型鑑定階段的首要工作即判定ARI__(pdq)的階數一個資料數列如果並非平穩型(nonstationary),則需整合(intergrated)利用差分方法使數列成為平穩型(stationary)我們可利用數列的自我相關函數(ACF)來判定數列是否為平穩型如數列為非平穩型,其ACF會維持許多期的正相關,且ACF的值通常是很緩慢的遞減到0若模型僅為AR或是__過程,則可利用樣本的ACF及樣本的偏自我相關PACF(partialautocorrelationfunction)來作為判定p與q階數的工具判別的標準如下ACFPACF__(q)q期後截斷呈指數遞減或正負相間遞減的形式AR(p)呈指數遞減或正負相間遞減的形式p期後截斷其中截斷的意義為樣本的ACF與PACF僅僅只有少數幾階顯著,而通常是以兩倍的標準差做為判斷顯著的依據以上方法只適用於單純的__或AR,如果p與q的階數均不為0,即混合模型時,則無法適用另外,ACF與PACF僅適用於平穩型的時間數列1984年蔡瑞胸與刁錦寰提出一種可同時鑑定平穩型與非平穩型的混合ARI__模型的方法他們發明了一種EACF表,稱為「延伸自我相關函數」(extendedautocorrelationfunctionEACF)經由EACF可判定AR__(pq)適合的最大階數,但有時並非唯一可利用EACF來判斷一些(pq)可能的__,然後由其中選擇一最適合的模型因為,EACF僅能建議我們一些合理的模型作了以上的判定之後,指定模型的型態,接著進行參數估計的工作參數估計的方法有CONDITIONAL與EXACTCONDITIONAL法是1970年Box與Jenkins所提出的,利用最大概似估計法所求出的,其概似函數為條件概似函數(conditionallikelihoodfunction)另一種EXACT法則是1979年由Hilmer與刁提出的,此法也是同樣用概似函數所求出,但不同的是此概似函數為確實概似函數(exactlikelihoodfunction),此法是先假設,所以此法是”EXACT”在__的參數上建構模型的最後一步就是要檢定估計出的模型是否符合兩項前提
一、模型是否符合我們的假設前提?
二、模型是否能解釋資料的趨勢?第二個問題需植根於對理論的了解而第一項的答案就是要檢定當初在建立ARI__模型時所建立的最基本假設,也就是誤差項數列必須符合常態且互相__的假設,也就是假設為”白噪音”(whitenoise)數列若檢定的結果為否,則表示此模型不適合且必須加以修正;若檢定的結果為是,則表示此模型的殘差數列應為互相__的常態分布檢定的方法有許多種,最簡單的一種即是畫出殘差的時間數列圖另一個方法就是偵測殘差數列的ACF,倘若殘差為白噪音數列,則表示數列並沒有任何顯著的自我相關檢定完成後,要注意參數的精簡原則,即用到的參數越少越好當初在估計參數時,如果有不顯著的參數應從模型中剔除以達到模型精簡原則的要求最後一旦決定了適合的模型後,就可以利用此一模型進行預測衿肈芈袇螁莆芇薆羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈肂膁莂薇袅肇莁蚀肀羃莀螂袃芁荿蒂肈膇蒈薄袁肃蒇蚆肇罿蒆螈衿莈蒆薈蚂芄蒅蚀羈膀蒄螃螀肆蒃蒂羆羂蒂薅蝿芁薁蚇羄膇薀蝿螇肃薀葿羃罿蕿蚁螅莇薈螄肁芃薇袆袄腿薆薆聿肅膃蚈袂羁节螀肇芀芁蒀袀膆芀薂肆膂艿螄衿肈芈袇螁莆芇薆羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈肂膁莂薇袅肇莁蚀肀羃莀螂袃芁荿蒂肈膇蒈薄袁肃蒇蚆肇罿蒆螈衿莈蒆薈蚂芄蒅蚀羈膀蒄螃螀肆蒃蒂羆羂蒂薅蝿芁薁蚇羄膇薀蝿螇肃薀葿羃罿蕿蚁螅莇薈螄肁芃薇袆袄腿薆薆聿肅膃蚈袂羁节螀肇芀芁蒀袀膆芀薂肆膂艿螄衿肈芈袇螁莆芇薆羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈肂膁莂薇袅肇莁蚀肀羃莀螂袃芁荿蒂肈膇蒈薄袁肃蒇蚆肇罿蒆螈衿莈蒆薈蚂芄蒅蚀羈膀蒄螃螀肆蒃蒂羆羂蒂薅蝿芁薁蚇羄膇薀蝿螇肃薀葿羃罿蕿蚁螅莇薈螄肁芃薇袆袄腿薆薆聿肅膃蚈袂羁节螀肇芀芁蒀袀膆芀薂肆膂艿螄衿肈芈袇螁莆芇薆羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈肂膁莂。