季节性自回归略微集成移动平均(SARFIMA)模型用于季节性memory-dependent长时间序列的分析。两种方法,有条件的平方和(CSS)和两步方法引入了霍斯金表示:(1984),提出了估算SARFIMA模型的参数。然而,在文献中没有进行模拟研究。因此,尚不清楚这些方法如何在不同参数设置和样本大小SARFIMA模型。本研究的目的是指由模拟研究这些方法的行为。根据仿真的结果,不同参数设置下两种方法的优缺点,讨论了样本大小通过比较均方根误差(RMSE)通过CSS和两步方法。的结果比较,发现CSS方法产生比从两步方法获得更好的结果。
1。介绍
近年来,有很多研究自回归略微集成移动平均(ARFIMA)模型在文献中。然而,大多数的时间序列在现实生活中可能有季节性,除了长期的结构。因此,SARFIMA模型被引入模型时间序列。一般来说,SARFIMA<年代vg height="14.7125" id="M1" style="vertical-align:-3.2316pt;width:109.375px;" version="1.1" viewbox="0 0 109.375 14.7125" width="109.375" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
(
,
,
)
过程中给出以下形式:<年代pan class="equation" id="EEq1">
(
)
Φ
(
)
(
1
−
)
(
1
−
)
=
Θ
(
)
(
)
,
(
1
。
1
)
在哪里<年代vg height="14.3375" id="M3" style="vertical-align:-3.21404pt;width:16.512501px;" version="1.1" viewbox="0 0 16.512501 14.3375" width="16.512501" xmlns="http://www.w3.org/2000/svg">
是一个时间序列,<年代vg height="10.325" id="M4" style="vertical-align:-0.0pt;width:11.625px;" version="1.1" viewbox="0 0 11.625 10.325" width="11.625" xmlns="http://www.w3.org/2000/svg">
是运营商转变,如<年代vg height="17.137501" id="M5" style="vertical-align:-3.2316pt;width:78.724998px;" version="1.1" viewbox="0 0 78.724998 17.137501" width="78.724998" xmlns="http://www.w3.org/2000/svg">
=
−
,<年代vg height="7.1875" id="M6" style="vertical-align:-0.13794pt;width:7px;" version="1.1" viewbox="0 0 7 7.1875" width="7" xmlns="http://www.w3.org/2000/svg">
是季节性的滞后,<年代vg height="10.75" id="M7" style="vertical-align:-0.15048pt;width:9.375px;" version="1.1" viewbox="0 0 9.375 10.75" width="9.375" xmlns="http://www.w3.org/2000/svg">
和<年代vg height="10.325" id="M8" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
代表了季节性和季节性略微差异;分别<年代vg height="11.025" id="M9" style="vertical-align:-3.21404pt;width:11.125px;" version="1.1" viewbox="0 0 11.125 11.025" width="11.125" xmlns="http://www.w3.org/2000/svg">
是一个白噪声过程,正态分布<年代vg height="17.799999" id="M10" style="vertical-align:-3.2316pt;width:63.837502px;" version="1.1" viewbox="0 0 63.837502 17.799999" width="63.837502" xmlns="http://www.w3.org/2000/svg">
(
(
0
,
2
)
)
,<年代vg height="13.55" id="M11" style="vertical-align:-2.29482pt;width:31.487499px;" version="1.1" viewbox="0 0 31.487499 13.55" width="31.487499" xmlns="http://www.w3.org/2000/svg">
(
)
,<年代vg height="13.45" id="M12" style="vertical-align:-2.21957pt;width:33.337502px;" version="1.1" viewbox="0 0 33.337502 13.45" width="33.337502" xmlns="http://www.w3.org/2000/svg">
Φ
(
)
,<年代vg height="13.45" id="M13" style="vertical-align:-2.21957pt;width:29.6px;" version="1.1" viewbox="0 0 29.6 13.45" width="29.6" xmlns="http://www.w3.org/2000/svg">
(
)
,<年代vg height="13.45" id="M14" style="vertical-align:-2.21957pt;width:37.900002px;" version="1.1" viewbox="0 0 37.900002 13.45" width="37.900002" xmlns="http://www.w3.org/2000/svg">
Θ
(
)
是由<年代pan class="equation" id="eq1">
(
)
=
1
−
1
−
⋯
−
,
(
)
=
1
+
1
+
⋯
+
,
Φ
(
)
=
1
−
Φ
1
−
⋯
−
Φ
,
Θ
(
)
=
1
+
Θ
1
+
⋯
+
Θ
,
(
1
。
2
)
在哪里<年代vg height="9.875" id="M16" style="vertical-align:-2.29482pt;width:22.0625px;" version="1.1" viewbox="0 0 22.0625 9.875" width="22.0625" xmlns="http://www.w3.org/2000/svg">
,
和<年代vg height="12.925" id="M17" style="vertical-align:-1.90608pt;width:28.125px;" version="1.1" viewbox="0 0 28.125 12.925" width="28.125" xmlns="http://www.w3.org/2000/svg">
,
季节性和季节性的命令参数,分别。
柏丽[1 )和哈斯勒和种2 )检查ARFIMA模型的基本特征,而一些重大贡献SARFIMA Giraitis和Leipus提出的模型3 ),Arteche和罗宾逊(4 钟),(5 ),Velasco和罗宾逊(6 ),Giraitis et al。7 ),和海8 ]。当所有的参数都是不同的从零(1.1 ),当一些参数如<年代vg height="13.4125" id="M18" style="vertical-align:-2.29482pt;width:55.950001px;" version="1.1" viewbox="0 0 55.950001 13.4125" width="55.950001" xmlns="http://www.w3.org/2000/svg">
,
,
,
等于零,不同的参数估计方法相比,通过执行模拟研究在文献[9 - - - - - -11 ]。
季节性长期结构等存在于时间序列在不同研究领域累积的钱系列Porter-Hudak [12 输入系列),IBM在雷13 ],尼罗河数据Montanari et al。14 ]。Candelon和Gil-Alana15 )预测在南美国家的工业生产指数采用SARFIMA模型。Gil-Alana [16 ]发现GDP系列在德国,意大利和丹麦有一个结构是适合使用SARFIMA模型。
Brietzke et al。17 利用Durbin-Levinson算法<年代vg height="13.55" id="M19" style="vertical-align:-2.29482pt;width:149.4875px;" version="1.1" viewbox="0 0 149.4875 13.55" width="149.4875" xmlns="http://www.w3.org/2000/svg">
=
=
=
=
=
0
模型。雷(13 )修改霍斯金表示:提出的方法(18 ),这个修改方法用于一个特殊SARFIMA过程有两种不同的季节性差异的参数。Darne et al。19 改编的方法,提出了ARFIMA钟和柏丽[20. ),SARFIMA模型。然而,CSS的属性方法用于Darne et al。19 )还没有被模拟研究了。
Arteche和罗宾逊(4 ]介绍了一个基于谱密度函数的半参数方法在估计参数SARFIMA模型的情况<年代vg height="10.9125" id="M20" style="vertical-align:-0.17555pt;width:35.637501px;" version="1.1" viewbox="0 0 35.637501 10.9125" width="35.637501" xmlns="http://www.w3.org/2000/svg">
=
0
。加仑小时用于ARFIMA方法扩展用于SARFIMA模型<年代vg height="13.55" id="M21" style="vertical-align:-2.29482pt;width:149.4875px;" version="1.1" viewbox="0 0 149.4875 13.55" width="149.4875" xmlns="http://www.w3.org/2000/svg">
=
=
=
=
=
0
由Porter-Hudak [12 ],加仑小时估计已经被Ooms修改和哈斯勒21 ]。同时,不同的值的模拟研究<年代vg height="12.7625" id="M22" style="vertical-align:-1.76814pt;width:40.6875px;" version="1.1" viewbox="0 0 40.6875 12.7625" width="40.6875" xmlns="http://www.w3.org/2000/svg">
,
,
和样本大小进行了使用加仑小时,惠特尔和确切的最大似然(EML)莱尔森et al。9 ,10 )和帕尔马和陈11 ]。除了这些研究,提出了很多方法来确定季节性长期结构由哈斯勒和种22 ),Gil-Alana和罗宾逊(23 ],Arteche [24 ],Gil-Alana [25 ,26 ]。
我们检查CSS的属性和两个评估方法的仿真研究,比较两种方法根据不同的参数设置和样本大小。在仿真研究中,一个特定形式的模型给出了(1.1 )中,<年代vg height="9.875" id="M23" style="vertical-align:-2.29482pt;width:7.7624998px;" version="1.1" viewbox="0 0 7.7624998 9.875" width="7.7624998" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.75" id="M24" style="vertical-align:-0.15048pt;width:9.375px;" version="1.1" viewbox="0 0 9.375 10.75" width="9.375" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="9.875" id="M25" style="vertical-align:-2.29482pt;width:7.9124999px;" version="1.1" viewbox="0 0 7.9124999 9.875" width="7.9124999" xmlns="http://www.w3.org/2000/svg">
都等于零审查通过使用CSS和两种评估方法。该模型也可以表示为SARFIMA<年代vg height="14.7125" id="M26" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
。仿真研究后,结果从CSS和两种评估方法进行了比较,并指出,获得更好的结果时,CSS方法。
本研究的大纲如下。部分2 包含SARFIMA模型相关的简短信息。CSS的方法和两种方法解释部分3 和4 ,分别。仿真研究的大纲和结果部分5 。最后,总结了仿真研究的结果最后一节。
2。SARFIMA模型
当<年代vg height="9.875" id="M27" style="vertical-align:-2.29482pt;width:7.7624998px;" version="1.1" viewbox="0 0 7.7624998 9.875" width="7.7624998" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="9.875" id="M28" style="vertical-align:-2.29482pt;width:7.9124999px;" version="1.1" viewbox="0 0 7.9124999 9.875" width="7.9124999" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.75" id="M29" style="vertical-align:-0.15048pt;width:9.375px;" version="1.1" viewbox="0 0 9.375 10.75" width="9.375" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.325" id="M30" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.325" width="11.75" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="12.925" id="M31" style="vertical-align:-1.90608pt;width:12.325px;" version="1.1" viewbox="0 0 12.325 12.925" width="12.325" xmlns="http://www.w3.org/2000/svg">
在模型(设置为01.1 ),该模型称为季节性略微集成(SFI)模型。SFI模型首先介绍了Arteche和罗宾逊(4 ),基本信息模型可以发现在柏丽1 ]。你可以给出的模型<年代pan class="equation" id="EEq2">
(
1
−
)
=
。
(
2
。
1
)
无限的移动平均模型的演示(2.1 )如下:<年代pan class="equation" id="EEq3">
=
Ψ
(
)
=
∞
=
0
−
,
(
2
。
2
)
在哪里<年代vg height="14.7125" id="M34" style="vertical-align:-3.2316pt;width:196.0625px;" version="1.1" viewbox="0 0 196.0625 14.7125" width="196.0625" xmlns="http://www.w3.org/2000/svg">
=
Γ
(
+
)
/
(
Γ
(
)
Γ
(
+
1
)
)
,(<年代vg height="17.887501" id="M35" style="vertical-align:-3.2316pt;width:104.775px;" version="1.1" viewbox="0 0 104.775 17.887501" width="104.775" xmlns="http://www.w3.org/2000/svg">
∼
−
1
/
Γ
(
)
,因为<年代vg height="10.7375" id="M36" style="vertical-align:-0.13794pt;width:51.4375px;" version="1.1" viewbox="0 0 51.4375 10.7375" width="51.4375" xmlns="http://www.w3.org/2000/svg">
→
∞
)。
无限的自回归模型的演示(2.1 )如下:<年代pan class="equation" id="EEq4">
Π
(
)
=
∞
=
0
−
=
,
(
2
。
3
)
在哪里<年代vg height="14.7125" id="M38" style="vertical-align:-3.2316pt;width:204.52499px;" version="1.1" viewbox="0 0 204.52499 14.7125" width="204.52499" xmlns="http://www.w3.org/2000/svg">
=
Γ
(
−
)
/
(
Γ
(
−
)
Γ
(
+
1
)
)
,(<年代vg height="17.887501" id="M39" style="vertical-align:-3.2316pt;width:120.7375px;" version="1.1" viewbox="0 0 120.7375 17.887501" width="120.7375" xmlns="http://www.w3.org/2000/svg">
=
−
−
1
/
Γ
(
−
)
,因为<年代vg height="10.7375" id="M40" style="vertical-align:-0.13794pt;width:51.4375px;" version="1.1" viewbox="0 0 51.4375 10.7375" width="51.4375" xmlns="http://www.w3.org/2000/svg">
→
∞
)。
对模型(2.1 )、自协方差、自相关函数可以分别写如下:<年代pan class="equation" id="EEq5">
(
)
=
(
−
1
)
Γ
(
1
−
2
)
Γ
(
−
+
1
)
Γ
(
1
−
−
)
2
,
=
1
,
2
,
…
,
(
2
。
4
)
(
)
=
Γ
(
1
−
)
Γ
(
+
)
Γ
(
)
Γ
(
−
+
1
)
,
=
1
,
2
,
…
,
(
2
。
5
)
当<年代pan class="equation" id="EEq7">
⟶
∞
,
(
)
∼
Γ
(
1
−
)
Γ
(
)
2
−
1
。
(
2
。
6
)
对模型(2.1 ),谱密度函数如下:<年代pan class="equation" id="EEq8">
(
)
=
2
2
2
年代
我
n
2
−
2
,
0
<
≤
。
(
2
。
7
)
请注意,在频率谱密度函数是无限的<年代vg height="10.9125" id="M45" style="vertical-align:-0.17555pt;width:36.512501px;" version="1.1" viewbox="0 0 36.512501 10.9125" width="36.512501" xmlns="http://www.w3.org/2000/svg">
2
/
,<年代vg height="13.125" id="M46" style="vertical-align:-1.95624pt;width:95.875px;" version="1.1" viewbox="0 0 95.875 13.125" width="95.875" xmlns="http://www.w3.org/2000/svg">
=
1
,
…
,
(
/
2
]
。
当<年代vg height="9.875" id="M47" style="vertical-align:-2.29482pt;width:7.7624998px;" version="1.1" viewbox="0 0 7.7624998 9.875" width="7.7624998" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="9.875" id="M48" style="vertical-align:-2.29482pt;width:7.9124999px;" version="1.1" viewbox="0 0 7.9124999 9.875" width="7.9124999" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.75" id="M49" style="vertical-align:-0.15048pt;width:9.375px;" version="1.1" viewbox="0 0 9.375 10.75" width="9.375" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.325" id="M50" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="10.325" id="M51" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.325" width="11.75" xmlns="http://www.w3.org/2000/svg">
,<年代vg height="12.925" id="M52" style="vertical-align:-1.90608pt;width:12.325px;" version="1.1" viewbox="0 0 12.325 12.925" width="12.325" xmlns="http://www.w3.org/2000/svg">
在模型(不同于零1.1 自协方差),关闭形式不能确定。然而,一些方法,比如贝尔泰利和Caporin提出的分割方法27 ),用来计算自协方差的ARFIMA模型,还可以用于那些SARFIMA模型。
让<年代vg height="14.6" id="M53" style="vertical-align:-3.13504pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.6" width="29.0375" xmlns="http://www.w3.org/2000/svg">
1
(
⋅
)
表示SARFIMA的自协方差函数<年代vg height="14.7125" id="M54" style="vertical-align:-3.2316pt;width:109.375px;" version="1.1" viewbox="0 0 109.375 14.7125" width="109.375" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
(
,
,
)
模型。自协方差计算的分裂方法如下:<年代pan class="equation" id="eq2">
1
(
)
=
−
ℎ
=
−
2
(
ℎ
)
3
(
−
ℎ
)
。
(
2
。
8
)
2
(
⋅
)
和<年代vg height="14.75" id="M57" style="vertical-align:-3.25793pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.75" width="29.0375" xmlns="http://www.w3.org/2000/svg">
3
(
⋅
)
自协方差函数SARFIMA吗<年代vg height="14.7125" id="M58" style="vertical-align:-3.2316pt;width:104.35px;" version="1.1" viewbox="0 0 104.35 14.7125" width="104.35" xmlns="http://www.w3.org/2000/svg">
(
,
0
,
)
(
,
0
,
)
和SARFIMA<年代vg height="14.7125" id="M59" style="vertical-align:-3.2316pt;width:104.35px;" version="1.1" viewbox="0 0 104.35 14.7125" width="104.35" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
(
0
,
,
0
)
模型,分别。<年代vg height="14.75" id="M60" style="vertical-align:-3.25793pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.75" width="29.0375" xmlns="http://www.w3.org/2000/svg">
3
(
⋅
)
计算使用分割方法中给出以下表达式:<年代pan class="equation" id="eq3">
3
(
)
=
−
ℎ
=
−
4
(
ℎ
)
5
(
−
ℎ
)
。
(
2
。
9
)
4
(
⋅
)
和<年代vg height="14.75" id="M63" style="vertical-align:-3.25793pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.75" width="29.0375" xmlns="http://www.w3.org/2000/svg">
5
(
⋅
)
自协方差函数SARFIMA吗<年代vg height="14.7125" id="M64" style="vertical-align:-3.2316pt;width:103.85px;" version="1.1" viewbox="0 0 103.85 14.7125" width="103.85" xmlns="http://www.w3.org/2000/svg">
(
0
,
0
,
0
)
(
0
,
,
0
)
和SARFIMA<年代vg height="14.7125" id="M65" style="vertical-align:-3.2316pt;width:116.7625px;" version="1.1" viewbox="0 0 116.7625 14.7125" width="116.7625" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
×
(
0
,
0
,
0
)
模型,分别。封闭的形式<年代vg height="14.6" id="M66" style="vertical-align:-3.13504pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.6" width="29.0375" xmlns="http://www.w3.org/2000/svg">
4
(
⋅
)
在(2.4 )。自协方差的<年代vg height="14.75" id="M67" style="vertical-align:-3.25793pt;width:29.0375px;" version="1.1" viewbox="0 0 29.0375 14.75" width="29.0375" xmlns="http://www.w3.org/2000/svg">
5
(
⋅
)
略微集成过程的自协方差和封闭的形式是由(28 )如下:<年代pan class="equation" id="EEq9">
5
(
)
=
(
−
1
)
Γ
(
1
−
2
)
Γ
(
−
+
1
)
Γ
(
1
−
−
)
2
。
(
2
。
1
0
)
生成系列,适合SARFIMA<年代vg height="14.7125" id="M69" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
模型,下面的算法。
步骤1。我> 生成<年代vg height="17.725" id="M70" style="vertical-align:-3.20526pt;width:107.75px;" version="1.1" viewbox="0 0 107.75 17.725" width="107.75" xmlns="http://www.w3.org/2000/svg">
=
(
1
,
…
,
)
随机变量向量与标准正态分布。年代pan>
步骤2。我> 获取矩阵<年代vg height="14.6875" id="M71" style="vertical-align:-3.20526pt;width:93.3125px;" version="1.1" viewbox="0 0 93.3125 14.6875" width="93.3125" xmlns="http://www.w3.org/2000/svg">
=
(
(
−
)
]
,<年代vg height="13.6125" id="M72" style="vertical-align:-2.34499pt;width:83.800003px;" version="1.1" viewbox="0 0 83.800003 13.6125" width="83.800003" xmlns="http://www.w3.org/2000/svg">
,
=
1
,
…
,
利用表达式(2.4 )。年代pan>
步骤3。我> 将协方差矩阵如下:<年代vg height="13.725" id="M73" style="vertical-align:-0.0pt;width:59.150002px;" version="1.1" viewbox="0 0 59.150002 13.725" width="59.150002" xmlns="http://www.w3.org/2000/svg">
=
在那里,<年代vg height="10.6875" id="M74" style="vertical-align:-0.0pt;width:10.55px;" version="1.1" viewbox="0 0 10.55 10.6875" width="10.55" xmlns="http://www.w3.org/2000/svg">
是一个下三角矩阵。年代pan>
这种分裂称为柯列斯基。可以获得柯列斯基分解的正定对称矩阵。请注意,矩阵<年代vg height="14.6875" id="M75" style="vertical-align:-3.20526pt;width:16.575001px;" version="1.1" viewbox="0 0 16.575001 14.6875" width="16.575001" xmlns="http://www.w3.org/2000/svg">
正定对称。
步骤4。我> 获得系列<年代vg height="17.725" id="M76" style="vertical-align:-3.20526pt;width:117.7px;" version="1.1" viewbox="0 0 117.7 17.725" width="117.7" xmlns="http://www.w3.org/2000/svg">
=
(
1
,
…
,
)
通过使用<年代vg height="17.725" id="M77" style="vertical-align:-3.20526pt;width:157.9375px;" version="1.1" viewbox="0 0 157.9375 17.725" width="157.9375" xmlns="http://www.w3.org/2000/svg">
=
(
1
,
…
,
)
=
公式。<年代vg height="14.6875" id="M78" style="vertical-align:-3.20526pt;width:109.3125px;" version="1.1" viewbox="0 0 109.3125 14.6875" width="109.3125" xmlns="http://www.w3.org/2000/svg">
=
(
1
,
…
,
)
有一个合适的结构SARFIMA吗<年代vg height="14.7125" id="M79" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
模型。年代pan>
第5步。我> 根据SARMA生成系列<年代vg height="14.7125" id="M80" style="vertical-align:-3.2316pt;width:43.974998px;" version="1.1" viewbox="0 0 43.974998 14.7125" width="43.974998" xmlns="http://www.w3.org/2000/svg">
(
,
)
模型通过<年代vg height="14.6875" id="M81" style="vertical-align:-3.20526pt;width:109.3125px;" version="1.1" viewbox="0 0 109.3125 14.6875" width="109.3125" xmlns="http://www.w3.org/2000/svg">
=
(
1
,
…
,
)
错误系列。通过这种方式,新生成的系列SARFIMA的结构<年代vg height="14.7125" id="M82" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
。这个算法很容易扩展到SARFIMA<年代vg height="14.7125" id="M83" style="vertical-align:-3.2316pt;width:109.375px;" version="1.1" viewbox="0 0 109.375 14.7125" width="109.375" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
(
,
,
)
模型。年代pan>
3所示。两步方法
两阶段方法可以用来估计SARFIMA的参数<年代vg height="14.7125" id="M84" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
模型。在第一阶段的这种方法,它假定时间序列有一个合适的结构使用SARFIMA<年代vg height="14.7125" id="M85" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
参数模型和季节性略微不同<年代vg height="10.325" id="M86" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
估计。在第二个阶段,参数的估计,EML下面给出的方法,可以使用。
SARFIMA理论自协方差和自相关函数<年代vg height="14.7125" id="M87" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
模型所示(2.4 )和(2.5 分别)。让时间序列<年代vg height="14.3375" id="M88" style="vertical-align:-3.21404pt;width:16.512501px;" version="1.1" viewbox="0 0 16.512501 14.3375" width="16.512501" xmlns="http://www.w3.org/2000/svg">
有<年代vg height="7.1374998" id="M89" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
观察<年代vg height="14.6875" id="M90" style="vertical-align:-3.20526pt;width:71.137497px;" version="1.1" viewbox="0 0 71.137497 14.6875" width="71.137497" xmlns="http://www.w3.org/2000/svg">
(
1
,
…
,
)
,让<年代vg height="10.6875" id="M91" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.6875" width="11.75" xmlns="http://www.w3.org/2000/svg">
Ω
代表的自相关矩阵<年代vg height="11.0125" id="M92" style="vertical-align:-3.20526pt;width:60.724998px;" version="1.1" viewbox="0 0 60.724998 11.0125" width="60.724998" xmlns="http://www.w3.org/2000/svg">
1
,
…
,
。因此,的似然函数<年代vg height="11.0125" id="M93" style="vertical-align:-3.20526pt;width:60.724998px;" version="1.1" viewbox="0 0 60.724998 11.0125" width="60.724998" xmlns="http://www.w3.org/2000/svg">
1
,
…
,
如下:<年代pan class="equation" id="EEq10">
(
)
=
(
2
)
−
/
2
|
|
|
|
−
1
/
2
−
1
e
x
p
2
−
1
。
(
3
。
1
)
柯列斯基分解用于矩阵<年代vg height="10.6875" id="M95" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.6875" width="11.75" xmlns="http://www.w3.org/2000/svg">
Ω
上下三角矩阵的乘法计算似然函数。而不是计算矩阵的逆<年代vg height="10.6875" id="M96" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.6875" width="11.75" xmlns="http://www.w3.org/2000/svg">
Ω
(<年代vg height="8.7875004" id="M97" style="vertical-align:-0.3135pt;width:32.612499px;" version="1.1" viewbox="0 0 32.612499 8.7875004" width="32.612499" xmlns="http://www.w3.org/2000/svg">
×
),较低的逆和上三角矩阵计算通过使用分解。因此,分解降低计算难度和计算时间。柯列斯基分解的矩阵<年代vg height="10.6875" id="M98" style="vertical-align:-0.0pt;width:11.75px;" version="1.1" viewbox="0 0 11.75 10.6875" width="11.75" xmlns="http://www.w3.org/2000/svg">
Ω
写如下:<年代pan class="equation" id="eq4">
=
。
(
3
。
2
)
让<年代vg height="14.2125" id="M100" style="vertical-align:-0.1881pt;width:70.4375px;" version="1.1" viewbox="0 0 70.4375 14.2125" width="70.4375" xmlns="http://www.w3.org/2000/svg">
=
−
1
,它可以写<年代pan class="equation" id="eq5">
−
1
=
−
1
=
−
1
−
1
=
|
|
|
|
−
1
/
2
=
|
|
|
|
−
1
/
2
=
|
|
|
|
−
1
。
(
3
。
3
)
因此,(3.1 )可以写成<年代pan class="equation" id="EEq11">
=
e
x
p
(
2
)
−
/
2
|
|
|
|
−
1
−
1
e
x
p
2
。
(
3
。
4
)
的似然函数(3.4 )是最大化的季节性略微不同参数通过使用一个优化算法。季节性后略微不同参数估计通过使用EML, SARMA的其他参数<年代vg height="14.7125" id="M103" style="vertical-align:-3.2316pt;width:43.974998px;" version="1.1" viewbox="0 0 43.974998 14.7125" width="43.974998" xmlns="http://www.w3.org/2000/svg">
(
,
)
模型估计在第二阶段通过使用经典的方法。在第二个阶段,季节性的顺序模型可以由使用Box-Jenkins方法决定的。因此,两步方法可以概括如下。
阶段1。我> 估计参数<年代vg height="10.325" id="M104" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
通过假设适合SARFIMA时间序列<年代vg height="14.7125" id="M105" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
0
)
。年代pan>
阶段2。我> 估计季节性自回归和移动平均参数通过Box-Jenkins方法。年代pan>
4所示。CSS的方法
钟,柏丽20. )提出了一个基于最小化方法的条件和广场。这种方法可以用于SARFIMA<年代vg height="14.7125" id="M106" style="vertical-align:-3.2316pt;width:109.375px;" version="1.1" viewbox="0 0 109.375 14.7125" width="109.375" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
(
,
,
)
模型。条件的总和广场SARFIMA模型方法如下:<年代pan class="equation" id="EEq12">
1
=
2
l
o
g
2
+
1
2
2
=
1
−
1
(
)
Θ
−
1
(
)
(
)
Φ
(
)
(
1
−
)
(
1
−
)
2
。
(
4
。
1
)
CSS的方法,首先,季节性略微不同程序执行<年代vg height="14.3375" id="M108" style="vertical-align:-3.21404pt;width:16.512501px;" version="1.1" viewbox="0 0 16.512501 14.3375" width="16.512501" xmlns="http://www.w3.org/2000/svg">
。其次,略微不同程序执行<年代vg height="17.737499" id="M109" style="vertical-align:-3.21404pt;width:78.762497px;" version="1.1" viewbox="0 0 78.762497 17.737499" width="78.762497" xmlns="http://www.w3.org/2000/svg">
(
1
−
)
。第三,SARMA过滤应用<年代vg height="17.9" id="M110" style="vertical-align:-3.21404pt;width:133.2375px;" version="1.1" viewbox="0 0 133.2375 17.9" width="133.2375" xmlns="http://www.w3.org/2000/svg">
(
1
−
)
(
1
−
)
。通过计算获得的这个系列的平方和<年代vg height="17.987499" id="M111" style="vertical-align:-3.21404pt;width:297.45001px;" version="1.1" viewbox="0 0 297.45001 17.987499" width="297.45001" xmlns="http://www.w3.org/2000/svg">
(
−
1
(
)
Θ
−
1
(
)
(
)
Φ
(
)
(
1
−
)
(
1
−
)
)
的平方计算条件和一个固定的值<年代vg height="17.799999" id="M112" style="vertical-align:-3.2316pt;width:15.3875px;" version="1.1" viewbox="0 0 15.3875 17.799999" width="15.3875" xmlns="http://www.w3.org/2000/svg">
2
和<年代vg height="10.325" id="M113" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
。钟,柏丽20. )也强调,CSS的方法获得的参数的估计偏差的平均值少了系列。很容易使用CSS的方法,因为它不需要计算自协方差。在文献中,CSS SARFIMA方法<年代vg height="14.7125" id="M114" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
模型已经被Darne只用et al。19 ]。
5。模拟研究
在本节中,SARFIMA的参数<年代vg height="14.7125" id="M115" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
模型估计通过使用CSS和两步方法分别在不同参数设置和样本大小。此外,这两种方法的优点和缺点进行了讨论。
给出了部分算法的步骤2 ,用于生成各种SARFIMA<年代vg height="14.7125" id="M116" style="vertical-align:-3.2316pt;width:62.825001px;" version="1.1" viewbox="0 0 62.825001 14.7125" width="62.825001" xmlns="http://www.w3.org/2000/svg">
(
,
,
)
模型。SARFIMA<年代vg height="14.7125" id="M117" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
1
,
,
0
)
和SARFIMA<年代vg height="14.7125" id="M118" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
1
)
强调模型的仿真研究。对于SARFIMA<年代vg height="14.7125" id="M119" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
1
,
,
0
)
模型中,36个不同的情况下检查如季节性略微不同<年代vg height="12.8875" id="M120" style="vertical-align:-1.76814pt;width:103.4875px;" version="1.1" viewbox="0 0 103.4875 12.8875" width="103.4875" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
,
0
。
2
,
0
。
3
、季节性自回归参数<年代vg height="13.45" id="M121" style="vertical-align:-2.21957pt;width:171.35001px;" version="1.1" viewbox="0 0 171.35001 13.45" width="171.35001" xmlns="http://www.w3.org/2000/svg">
Φ
=
0
。
3
,
0
。
7
,
(
−
0
。
3
)
,
(
−
0
。
7
)
、样本大小<年代vg height="13.0125" id="M122" style="vertical-align:-1.76814pt;width:110.6375px;" version="1.1" viewbox="0 0 110.6375 13.0125" width="110.6375" xmlns="http://www.w3.org/2000/svg">
=
1
2
0
,
2
4
0
,
3
6
0
,期<年代vg height="10.8625" id="M123" style="vertical-align:-0.13794pt;width:34.200001px;" version="1.1" viewbox="0 0 34.200001 10.8625" width="34.200001" xmlns="http://www.w3.org/2000/svg">
=
4
。类似的,相同的参数也用于SARFIMA<年代vg height="14.7125" id="M124" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
1
)
模型通过<年代vg height="13.45" id="M125" style="vertical-align:-2.21957pt;width:170.71249px;" version="1.1" viewbox="0 0 170.71249 13.45" width="170.71249" xmlns="http://www.w3.org/2000/svg">
Θ
=
0
。
3
,
0
。
7
,
(
−
0
。
3
)
,
(
−
0
。
7
)
。对于每个案例,1000生成时间序列,所以完全我们生成72000时间序列。生成的时间序列的参数估计通过使用CSS和两步方法的结果在表中进行了总结1 和2 。每1000次系列、均值、标准差和均方根误差(RMSE)估计参数的值在这些表展出。RMSE值计算<年代pan class="equation" id="eq6">
R
米
年代
E
=
∑
1
0
0
0
=
1
−
̂
2
,
1
0
0
0
(
5
。
1
)
在哪里<年代vg height="14.5875" id="M127" style="vertical-align:-3.2316pt;width:12.875px;" version="1.1" viewbox="0 0 12.875 14.5875" width="12.875" xmlns="http://www.w3.org/2000/svg">
和<年代vg height="18.0875" id="M128" style="vertical-align:-3.2316pt;width:12.875px;" version="1.1" viewbox="0 0 12.875 18.0875" width="12.875" xmlns="http://www.w3.org/2000/svg">
̂
分别表示真正的和估计的参数值。
在表1 ,SARFIMA<年代vg height="14.7125" id="M147" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
1
,
,
0
)
模型,仿真结果为不同的值<年代vg height="10.475" id="M148" style="vertical-align:-0.0pt;width:12.05px;" version="1.1" viewbox="0 0 12.05 10.475" width="12.05" xmlns="http://www.w3.org/2000/svg">
Φ
和样本容量<年代vg height="7.1374998" id="M149" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
显示当CSS和两阶段方法执行。从这个表中,CSS的方法,我们观察到RMSE值大幅降低季节性分数估计参数的差异和季节性自回归,当样本容量也在不断增加。也见过RMSE值不改变很多季节性自回归参数的符号是否积极。拥有更大的季节性自回归参数的绝对价值,RMSE值季节性自回归(<年代vg height="13.45" id="M150" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
)参数变小。当<年代vg height="10.9125" id="M151" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
和<年代vg height="10.9125" id="M152" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
相比,的值<年代vg height="13.45" id="M153" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
在<年代vg height="10.9125" id="M154" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
较小的比吗<年代vg height="10.9125" id="M155" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
,而的值<年代vg height="13.45" id="M156" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
在<年代vg height="10.9125" id="M157" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
,<年代vg height="10.9125" id="M158" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
,<年代vg height="10.9125" id="M159" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
彼此接近。注意,的值<年代vg height="13.45" id="M160" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
在<年代vg height="10.9125" id="M161" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
更大比<年代vg height="10.9125" id="M162" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
。
根据表1 两步方法执行时,可以看出样本大小不影响显著的RMSE值,特别是对于<年代vg height="13.45" id="M163" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
当<年代vg height="10.9125" id="M164" style="vertical-align:-0.17555pt;width:61.674999px;" version="1.1" viewbox="0 0 61.674999 10.9125" width="61.674999" xmlns="http://www.w3.org/2000/svg">
Φ
=
−
0
。
7
。然而,当季节性自回归参数的估计绝对值增加,的值<年代vg height="13.45" id="M165" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
显著增加<年代vg height="10.9125" id="M166" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
和<年代vg height="10.9125" id="M167" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
。的值<年代vg height="13.45" id="M168" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
不受季节性自回归参数的符号和大小,尤其是在吗<年代vg height="10.9125" id="M169" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
。值得指出的是,的值<年代vg height="13.45" id="M170" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
相当大的季节性自回归参数的负<年代vg height="10.9125" id="M171" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
和<年代vg height="10.9125" id="M172" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
。它可以推断出从对比<年代vg height="10.9125" id="M173" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
和<年代vg height="10.9125" id="M174" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
为负的季节性自回归参数,两者的值<年代vg height="13.45" id="M175" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
和<年代vg height="13.45" id="M176" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
逐渐增加的同时<年代vg height="10.325" id="M177" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
正在增加。特别是,的值<年代vg height="13.45" id="M178" style="vertical-align:-2.21957pt;width:65.012497px;" version="1.1" viewbox="0 0 65.012497 13.45" width="65.012497" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Φ
)
在<年代vg height="10.9125" id="M179" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
得到最大的季节性自回归参数的值是负的。因此,对于季节性自回归参数的负值,我们可以说,估计误差变大,而季节性的不同部分是增加的顺序。
在表2 ,SARFIMA<年代vg height="14.7125" id="M180" style="vertical-align:-3.2316pt;width:56.974998px;" version="1.1" viewbox="0 0 56.974998 14.7125" width="56.974998" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
1
)
模型,仿真结果为不同值的参数<年代vg height="10.9125" id="M181" style="vertical-align:-0.17555pt;width:11.4125px;" version="1.1" viewbox="0 0 11.4125 10.9125" width="11.4125" xmlns="http://www.w3.org/2000/svg">
Θ
和样本容量<年代vg height="7.1374998" id="M182" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
所示的CSS和两步方法。从这个表中,我们观察到RMSE值减少了季节性的分数估计参数的差异和季节性移动平均,当样本容量增加,CSS的方法执行。也见过RMSE值不改变参数的符号是否季节性移动平均线是积极的。在有季节性移动平均参数的较大值为负值,季节性的RMSE值略微差异(<年代vg height="13.45" id="M183" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
)小。当我们比较<年代vg height="10.9125" id="M184" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
与<年代vg height="10.9125" id="M185" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
的值,<年代vg height="13.45" id="M186" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
在<年代vg height="10.9125" id="M187" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
较小的比吗<年代vg height="10.9125" id="M188" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
,而的值<年代vg height="13.45" id="M189" style="vertical-align:-2.21957pt;width:64.375px;" version="1.1" viewbox="0 0 64.375 13.45" width="64.375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Θ
)
在<年代vg height="10.9125" id="M190" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
,<年代vg height="10.9125" id="M191" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
,<年代vg height="10.9125" id="M192" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
彼此接近。注意,的值<年代vg height="13.45" id="M193" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
在<年代vg height="10.9125" id="M194" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
3
更大比<年代vg height="10.9125" id="M195" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
1
。
当表2 检查,观察到的值<年代vg height="13.45" id="M196" style="vertical-align:-2.21957pt;width:64.375px;" version="1.1" viewbox="0 0 64.375 13.45" width="64.375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Θ
)
减少为两步方法当样本容量增加。然而,并没有积极的还是消极的季节性移动平均参数的值之间的关系和的值<年代vg height="13.45" id="M197" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
和<年代vg height="13.45" id="M198" style="vertical-align:-2.21957pt;width:64.375px;" version="1.1" viewbox="0 0 64.375 13.45" width="64.375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Θ
)
当执行两阶段方法。我们想要的话<年代vg height="13.45" id="M199" style="vertical-align:-2.21957pt;width:64.375px;" version="1.1" viewbox="0 0 64.375 13.45" width="64.375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
Θ
)
每个样本大小的最小值<年代vg height="10.9125" id="M200" style="vertical-align:-0.17555pt;width:50.337502px;" version="1.1" viewbox="0 0 50.337502 10.9125" width="50.337502" xmlns="http://www.w3.org/2000/svg">
Θ
=
0
。
7
这值<年代vg height="13.45" id="M201" style="vertical-align:-2.21957pt;width:65.4375px;" version="1.1" viewbox="0 0 65.4375 13.45" width="65.4375" xmlns="http://www.w3.org/2000/svg">
R
米
年代
E
(
)
相当大的负的季节性移动平均线参数对其积极的价值观<年代vg height="10.9125" id="M202" style="vertical-align:-0.17555pt;width:51.400002px;" version="1.1" viewbox="0 0 51.400002 10.9125" width="51.400002" xmlns="http://www.w3.org/2000/svg">
=
0
。
2
,在表0.32 。
6。讨论
在文献中,两步方法是一种广泛使用SARFIMA模型的方法来估计参数。虽然还有另一个名为CSS的方法,这种方法没有被用来估计SARFIMA模型的参数。在这项研究中,CSS和SARFIMA的两步方法用来估计参数模型进行仿真研究,并通过这种方式这两个方法的属性检查下不同的参数设置和样本大小。
从模拟的结果,我们推断,当样本容量增加,CSS的方法给出了更精确的估计。除此之外,我们可以推断在SARFIMA当季节性自回归参数<年代vg height="14.6" id="M203" style="vertical-align:-3.13504pt;width:57.625px;" version="1.1" viewbox="0 0 57.625 14.6" width="57.625" xmlns="http://www.w3.org/2000/svg">
(
1
,
,
0
)
4
模型接近1或−1,CSS的参数估计方法有更少的错误。CSS的方法产生很好的估计<年代vg height="10.325" id="M204" style="vertical-align:-0.0pt;width:12.7px;" version="1.1" viewbox="0 0 12.7 10.325" width="12.7" xmlns="http://www.w3.org/2000/svg">
当在SARFIMA季节性自回归参数<年代vg height="14.6" id="M205" style="vertical-align:-3.13504pt;width:57.625px;" version="1.1" viewbox="0 0 57.625 14.6" width="57.625" xmlns="http://www.w3.org/2000/svg">
(
1
,
,
0
)
4
模型和季节性移动平均线在SARFIMA参数<年代vg height="14.6" id="M206" style="vertical-align:-3.13504pt;width:57.625px;" version="1.1" viewbox="0 0 57.625 14.6" width="57.625" xmlns="http://www.w3.org/2000/svg">
(
0
,
,
1
)
4
模型是积极的。
当CSS的方法是与两步方法相比,CSS方法RMSE值低于两步方法在不同参数设置和样本大小,尤其是自回归模型。两步方法产生误导的结果<年代vg height="10.475" id="M207" style="vertical-align:-0.0pt;width:12.05px;" version="1.1" viewbox="0 0 12.05 10.475" width="12.05" xmlns="http://www.w3.org/2000/svg">
Φ
选择附近−1<年代vg height="13.45" id="M208" style="vertical-align:-2.21957pt;width:72.087502px;" version="1.1" viewbox="0 0 72.087502 13.45" width="72.087502" xmlns="http://www.w3.org/2000/svg">
(
Φ
=
−
0
。
7
)
。然而,这并非如此的CSS的方法。基于结果和简单的方法,即将研究它可以很容易地显示CSS的方法应该首选而不是两步SARFIMA模型的参数估计方法。
版权
版权©2011 Erol Egrioglu等。这是一个开放的分布式下文章
知识共享归属许可 ,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。