对于时间序列模型而言,如何确定模型的最大滞后阶数是个重要问题。本节讨论STAR模型的最大滞后阶数选择问题。
在时间序列建模过程中,最常用的确定最大滞后阶数的方法是构建拟合模型的Kullback-Leibler信息估计量,如Akaike(1973)提出的 AIC 准则,便是Kullback-Leibler信息的渐近无偏估计量,通过最小的AIC值来获取模型的最大滞后阶数,这在线性建模中得到广泛应用。但Hurvich和Tsai(1989)指出在小样本下使用AIC准则倾向于选择过大的滞后阶数,导致过度拟合,为了避免这种情况,他们提出一种修正的AIC准则(corrected AIC),即AICc准则,该准则不改变AIC准则的渐近性质,但在小样本下,其有效地避免了过度拟合现象,并且可以应用到非线性模型中。除了AIC准则和AICc准则之外,在建模应用中还经常使用的信息准则包括:Schwarz(1978)提出的SC准则(有些文献也称SIC或BIC)、Akaike(1970)提出的FPE准则、Hannan和Quinn(1979)提出的HQ准则等。Hurvich和Tsai(1989)总结了这五种信息准则的有效性与一致性,其中,AIC、AICc及FPE准则具有有效性,而SC与HQ准则具有一致性。尽管这些信息准则在建模中得到广泛应用,但其对非线性模型的适用性问题却很少有文献提及,Wong和Li(1998)研究了TAR模型的滞后阶数选择问题,他们的研究结果表明,在小样本情况下,使用AICc准则的正确率要明显高于AIC准则及SC准则。本书通过Monte Carlo试验研究这些准则在确定STAR模型最大滞后阶数中的适用性问题,除了上述这五种信息准则外,又考虑一种将这五种信息准则进行简单算术平均的方法,将其命名为ACC准则。对于这些准则的表达式,不同的文献会有不同的表述方法,为了编程方便,本书采用的是与EViews软件相同的表示方法,下面给出这些准则的具体表达式。(www.daowen.com)
式中,l表示似然函数的对数值,m是模型参数个数,T是样本容量,p表示模型滞后阶数,是向后预测一期误差的估计量。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。