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。