發(fā)布時間：2020-12-25 09:45

　　本文參考了對于均值未知的單變量時間序列自協方差函數的一種完全（幾乎）無偏估計。該估計量是使用去均值化的觀測數據計算而得到的普通樣本自協方差的一個線性函數。具體做法是將普通樣本自協方差組合構成一個向量,并且這一向量的期望是總體自協方差的一個線性組合。我們使用一個矩陣來描述這些線性組合的權重,并將該矩陣記為A。當時間持續(xù)較長的數據總體自協方差是0（很�。�時,我們便能通過A矩陣左上部分子矩陣的逆得到剩余自協方差函數的完全（幾乎）無偏估計。A-矩陣估計量與常用的樣本自協方差估計量相比近似等效。前人的模擬結果也顯示,A-矩陣估計量能在充分減少偏差的同時不增加均方誤差（MSE）。本文通過討論上述得到的A-矩陣估計量在多種實際時間序列數據上所體現出的效果,對A-矩陣估計量的實際估計效果進行了一定的判斷并對其能否進行推廣進行了進一步的驗證。本文選取了全國從2013年1月至2017年12月的幾項實際數據,并應用ARIMA模型對它們構建時間序列模型。然后,我們計算出對應的自協方差函數的A-矩陣估計量,并將其估計結果與兩個常用的較為標準的自協方差函數估計量的估計結果進行了對比。結合前人已經得到的A-矩陣估計... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數】：83 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及研究意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現狀
    1.3 本文主要結構與內容
第2章 統計量計算
    2.1 普通最小二乘估計（ordinary least square estimation,OLSE）
    2.2 A-矩陣估計量概述
（m）的計算">    2.3 A-矩陣估計量（?）^（m）的計算
        2.3.1 協方差估計
        2.3.2 矩陣A的計算
        2.3.3 自協方差估計量的漸近性質
第3章 數據來源及研究方法
    3.1 數據來源
    3.2 研究方法
        3.2.1 求和自回歸移動平均模型（autoregressive integrated moving average,ARIMA）
        3.2.2 ARIMA模型的性質
第4章 數據處理與模型構建
    4.1 數據的預處理
    4.2 平穩(wěn)性檢驗
    4.3 模型的建立及檢驗
    4.4 其余數據模型的建立
        4.4.1 貨幣和準貨幣（M2）供應量期末值數據
        4.4.2 貨幣（M1）供應量期末值數據
        4.4.3 流通中現金（MO）供應量期末值數據
第5章 統計量估計結果對比
    5.1 模擬結果介紹
    5.2 實證結果
第6章 結論與展望
    6.1 研究結論
    6.2 本文的不足與未來的展望
        6.2.1 本文的不足
        6.2.2 未來的展望
參考文獻
致謝
學位論文評閱及答辯情況表


【參考文獻】：
碩士論文
[1]基于ARIMA模型及回歸分析的安徽省GDP預測研究[D]. 蒯孟娟.安徽農業(yè)大學 2015
[2]實時多變量時間序列統計分析方法[D]. 齊鵬鶴.哈爾濱工業(yè)大學 2014
[3]時間序列分析在吉林省GDP預測中的應用[D]. 劉薇.東北師范大學 2008
[4]多維MA（q）模型的估計與預測方法研究[D]. 牟峰.西南交通大學 2007



本文編號：2937407