时间序列分析方法最大似然估计_第1页
时间序列分析方法最大似然估计_第2页
时间序列分析方法最大似然估计_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、第五章 最大似然估计在本章当中我们开始讨论时间序列模型的参数估计方法，极大似然估计是其中一种最为常用的参数估计方法。§5.1 引言5.1.1 ARMA模型的极大似然估计假设数据生成过程是一个过程：其中是白噪声序列，满足：我们将要讨论如何利用的观测值来估计参数：，采用的方法是极大似然估计方法。假设获得了个样本，如果能够计算出相应的联合概率密度函数：上述函数可以识为在给定参数下样本发生的概率，因此合理的参数取值是使得上述概率最大，如此参数便称为极大似然估计。为此，我们假设噪声序列是高斯白噪声序列，具体求解极大似然估计的步骤是：一是先求出似然函数，二是求似然函数的最大值。§5.2

2、 高斯过程的似然函数假设数据生成过程是一个具有高斯白噪声序列的过程：(1) 求上述过程似然函数的过程是利用条件概率密度，所以需要先求出的概率密度。它的均值和方差为：，由于它具有正态分析，因此对应的密度函数为：(2) 在给定的条件下，的条件概率分布可以得到：对应的概率密度函数为： (3) 类似地，在给定前两个观测值的条件，的条件概率密度函数为：(4) 最后一个样本的条件概率分布为：(5) 根据无条件密度函数与条件密度函数之间的关系，可以得到：经常对上述函数取对数，得到对数似然函数：(6) 将具体的密度函数代入上式，可以得到过程的似然函数为：可以将上述似然函数表示为更为紧凑的向量和矩阵形式。令均值向量和自协方差为和，则：，这样一来，所观测到的样本可以当作多元正态母体的一个简单抽样，具有的联合概率密度函数为：理论上可以对上述极大似然函数求导数，然后获得参数估计。但是，一般情况下的导数方程是非线性方程，难以获得精确的最大值估计。一种近似的方法是假设第一个观测值是确定性的，然后求解给定时的条件似然函数值，这时的目标函数是：上式最大值相当于求下式的最小值：上式的最小值就是线性回归的最小二乘估计，满足方程：类似地，噪声的方差为：当样本容量足够大时，上述近似极大似然估计具有与精确估计一样的极限分布。§

人人文库> 全部分类> 教育资料 > 课件下载

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论