d.C-Uexchange的时序图如图2所示。序列d.C-Uexchange在0值附近随机波动,没有明显的趋势或周期,初步判定序列C-Uexchange已转化为平稳序列。Р 通过序列d.C-Uexchange的自相关图,可对序列d.C-Uexchange的平稳性进行更加严谨的判断。序列d.C-Uexchange的自相关图如图3所示。通过自相关图可以看出,该序列的自相关系数以指数衰减至2倍标准差范围以内,这是随机性很强的平稳时间序列通常具有的自相关系数的短期相关性特征,所以认为序列d.C-Uexchange已经转化为平稳时间序列。Р 3.3白噪声检验Р 利用SAS软件对差分处理后的序列进行白噪声检验,结果如表1所示。从表1中可以看出,延迟6期、延迟12期、延迟18期、延迟24期的Q统计量的相伴概率均小于显著性水平1%,所以应该拒绝原假设。原假设是假设该序列为白噪声序列,因此得出该序列属于非白噪声序列,具有相关性以及进一步分析的价值。Р 3.4模型的建立Р 3.4.1模型定阶Р 模型的定阶可以通过观察自相关系数以及偏自相关系数的拖尾或者截尾的特征来进行识别。根据SAS软件对序列d.C-Uexchange输出的自相关图以及偏自相关图可以初步判定,自相关系数4阶截尾,偏自相关系数拖尾。由于自相关系数在延迟4阶时显著超过了2倍标准差的范围,所以首先拟合疏系数模型SARIMA(0,(1,4),(4))。由于序列C-Uexanchge具有明显的递增趋势以及季节效应,因此还可以对其建立乘积季节模型ARIMA(0,1,1)×(0,1,1)4。Р 3.4.2参数估计Р 利用最小二乘法对模型的参数进行估计,估计结果如表2所示。从表2可以看出,两个模型的各个参数的t检验统计量的相伴概率均小于显著性水平1%,所以应该拒绝原假设,原假设是假设该参数不显著,因此两个模型的参数显著,通过了参数显著性检验。
全文预览
