论文部分内容阅读
从统计学的研究内容看,统计学所研究和处理的是一批有“现实背景”的数据,尽管数据的现实背景各不相同,但是从数据的产生过程来看,无非是横剖面数据(静态数据)和纵剖面数据(动态数据)两类。静态数据是若干随机现象在同一时间点上所处状态的数据呈现,它反映一定时间、地点等客观条件下诸随机现象之间存在的数值联系,研究静态数据所用的统计方法是多元统计分析。动态数据是某一随机现象在不同时间点上所处状态的数据呈现,它反映随机现象自身内在关系的发展变化规律,研究动态数据所用的统计方法则是时间序列分析。为动态数据建立时间序列模型,不仅可以达到深刻认识客观世界的目的,还可以利用时间序列模型对未来做出预测,从而做出针对性的安排,以达到利用和改造客观世界的目的,由此可见时间序列分析的重要性。目前,时间序列分析已经被广泛应用到金融保险、信息电子、天文物理、气象地理等许多领域。 本文的主要内容是平稳时间序列模型的参数估计方法和建模,全文分为五部分: 首先我们对时间序列分析作了一个简要介绍,给出了平稳时间序列及其常用二阶矩的定义和性质; 然后介绍了常用的平稳序列模型:AR模型、MA模型和ARMA模型,给出了常用二阶矩的计算方法,分析了常用二阶矩所具有的统计特性,并对统计特性进行了仿真模拟验证; 之后重点研究了AR模型、MA模型和ARMA模型中未知参数的估计方法,在不同白噪声和不同样本量的情况下,对各种估计方法进行了仿真模拟计算,并对计算结果进行了比较分析,得出了各种估计方法的特点; 而后我们介绍了时间序列的BJ建模方法和预测方法,给出了BJ建模的思路,利用条件期望定义了预测,并对ARMA序列证明了在预测均方误差最小准则下,用条件期望定义的预测就是最佳线性预测; 最后基于BJ建模方法使用Matlab软件为我国1981—2009年的外汇储备值拟合了一个时间序列模型,然后利用这个模型对我国2010年、2011年和2012年的外汇储备值进行了预测。