第三章 研究方法
3.2 預測方法
3.2.1 單變量 ARIMA 模式
ARIMA 模型是由 Box&Jenkins(1970)所提出,由資料的過 去實際值和隨機振動(random shock)來組成時間序列。ARIMA
(p,d,q)模式表示一序列有 p 階的自我迴歸過程、q 階的移動平
6 AIC 是 由 Akaike 於 1973 年 提 出 。
39
均過程和差分 d 次可成為定態序列,可表示如下:
( )( )
d t q( )
tp B −B Y =C+Θ Bε
Φ 1 (3-1)
( )
B = −φ B−φ B − −φpBpΦ 1 1 2 2 ... (3-2)
( )
B = −θ B−θ B − −θqBqΦ 1 1 2 2 ... (3.3)
其中,Yt是由一種隨機過程(stochastic process)所產生的等時距 序列,具有定態(stationarity)與可逆轉性7(invertibility)。B 為 後移運算子(backward shift operator),BYt =Yt−1。P、d、q 為非負 整數,φ為自我迴歸參數,φ為移動平均參數,C為常數項,εt為 白噪音(white noise)。
在 ARIMA 分析中,我們的目的是自時間序列中取出所有可 能的資訊,使得誤差項的分配為白噪音干擾,依據 Box&Jenkins 的方法論,建立 ARIMA 模式的流程如圖 3.1
7 所 謂 定 態 性 是 讓Φ Bp
( )
=0的 所 有 根 皆 位 於 單 位 圓 之 外 ,Yt可 表 示 成 MA(∞)的 形 式 。 所 謂 可 逆 轉 性 是 讓Φ Bq( )
=0的 所 有 根 皆 位 於 單 位 圓 之 外 ,Yt可 表 示 成 AR(∞)的 形 式 。40
圖 3.1 ARIMA 模式之建構流程圖
1. 模型鑑定
首先將原始資料依時間先後繪圖,觀察資料的趨勢。從趨勢 圖中可以初步判定資料是否呈現平穩,若序列資料為非平穩型,
則 對 資 料 進 行 差 分 使 其 平 穩 。 然 後 利 用 自 我 相 關 函 數
(autocorrelation function:ACF)值,和偏自我相關函數(partial autocorrelation function:PACF)作為判定 p 及 q 之階次。若模型 僅為自我迴歸模式(Autoregressive Model:AR)或移動平均模式
(Moving Average Model:MA )過程,判定的準則如下:
模型鑑定
診斷檢查
模型預測分析 模型參數估計
41
表 3.1 模式判定之準則
模型區分 ACF PACF
AR(p)
呈 現 指 數 衰 退 或 正 負 相 間
衰退的方式 P 期後截斷
MA(q) q 期後截斷 呈 現 指 數 衰 退 或 正 負 相 間 衰退的方式
ARMA(p,q) 逐漸衰退 逐漸衰退
其中”截斷”的意義為 ACF 與 PACF 僅僅只有少數幾階顯著,
通常是以兩倍標準差做為判斷顯著的依據。
2. 模型參數估計
若 時 間 序 列 資 料 被 鑑 定 為 ARIMA 模 型 中 之 某 種 特 定 模 型 後,通常自模型中含有一些未知參數在內,此時需對未知參數進 行 估 計 。 一 般 可 利 用 最 小 平 方 法 來 估 計 模 型 中 的 參 數 , 但 因 ARIMA 係數為非線性狀態,而須採用非線性反覆求解的過程來 估計模型中之參數。
3. 診斷檢查
當模式被鑑定且求得參數之最佳估計值後,欲判定模式是否 適合,可利用原始資料與依模型所得到的預測值兩者間之差距,
即為殘差值,我們依據 AIC 準則檢驗殘差序列做為選取模型的標 準:
( )
M n( )
MAIC = lnσˆε2 +2 (3-4)
42
其中,M 為模型中參數的個數;n 為有效觀測值個數;σˆε2為σε2之 最大概似估計量,AIC 越小越好。
4. 模型預測分析
經由診斷檢查後被認定為最適模型,則可以此最終模式進行 預測分析。假設YT+l是在 T 時點預測l個時期後的觀測值,YˆT
( )
l 為YT+l 之預測值,而YˆT( )
l 值為使得均方誤差ET[
YT+l −YˆT+l]
2為最小。欲求 得l
T + 期最佳預測值須先求得T +1期之預測值,在依此計算T +2期之 預測值,以此類推直到T +l。