8、时间序列分析中的模型构建与验证

时间序列分析中的模型构建与验证

1 残差分析

在时间序列分析中，模型的构建和验证是确保模型有效性和可靠性的关键步骤。残差分析是这一过程中不可或缺的一部分。残差是指模型预测值与实际观测值之间的差异。对于ARMA(p,q)模型，如果模型适合数据，则残差应当很好地被建模为白噪声。具体来说，残差应满足以下条件：

• 残差应无显著自相关。
• 残差应大致呈正态分布，这是MLE（最大似然估计）程序的一个假设。

1.1 检查样本自相关

一种常用的残差白噪声检验方法是检查样本自相关。如果残差是白噪声，那么样本自相关系数ρk应在95%置信区间内波动。具体步骤如下：

1. 计算残差的样本自相关系数ρk。
2. 使用公式 (\pm 2/\sqrt{n}) 计算95%置信区间的上下限。
3. 检查样本自相关系数是否大部分位于置信区间内。

如果显著超过5%的样本自相关系数超出置信区间，这可能表明残差并非白噪声，模型可能需要调整。

1.2 Ljung-Box检验

另一种常用的白噪声检验方法是Ljung-Box检验。该检验基于前K个样本自相关系数，检验统计量近似服从χ²分布。具体步骤如下：

1. 选择滞后数K。
2. 计算Ljung-Box检验统计量。
3. 比较检验统计量与χ²分布的临界值。

如果检验统计量大于临界值，则拒绝白噪声假设，表明模型未能充分解释数据中的相关结构。