歡迎來到時間序列應用！

在之前的章節中，我們花了大量時間探討了 AR、MA 和 ARMA 等時間序列模型的「解剖結構」。現在，是時候讓這些模型大顯身手了！你可以將這一章視為通往現實世界的「橋樑」。我們將學習如何處理混亂的現實數據，找到最合適的數學模型來描述它，檢驗模型的效果，最後，利用它來洞察未來。

如果之前的章節讓你覺得代數內容太過繁重，請別擔心。在這裡，我們將專注於應用這些模型的流程。讓我們開始吧！

1. Box-Jenkins 三步驟

當精算師談論「應用」時間序列時，通常會遵循 Box-Jenkins 方法論。這是一個簡單的三步循環：

1. 模型識別 (Model Identification)： 選擇正確的模型類型（它是 AR、MA 還是 ARMA？\(p\) 和 \(q\) 是多少？）。
2. 參數估計 (Parameter Estimation)： 計算模型的實際數值（係數）。
3. 診斷檢查 (Diagnostic Checking)： 確保模型能與數據良好匹配。

類比： 這就像買西裝。首先，你選擇款式（識別）；接著，裁縫師為你量身（估計）；最後，你試穿以確保肩膀不會太緊（診斷檢查）！

2. 第一步：模型識別（尋找 \(p\) 和 \(q\)）

我們如何知道該用哪個模型？我們使用數據的兩個「指紋」：自相關函數 (ACF) 和 偏自相關函數 (PACF)。

\(p\) 和 \(q\) 的捷徑（小抄）

如果你在圖表中看到以下模式，它們通常代表：

  • AR(\(p\)) 模型： PACF 在滯後項 \(p\) 之後「截斷」(cuts off)（降至零），而 ACF 呈現緩慢衰減（拖尾）。
  • MA(\(q\)) 模型： ACF 在滯後項 \(q\) 之後「截斷」(cuts off)，而 PACF 呈現緩慢衰減（拖尾）。
  • ARMA(\(p, q\)) 模型： ACF 和 PACF 兩者都「拖尾」(tail off)（緩慢衰減），沒有明顯的截斷。

快速回顧框：
ACF 衡量 \(X_t\) 與 \(X_{t-k}\) 之間的相關性。
PACF 衡量在剔除中間觀測值影響後，\(X_t\) 與 \(X_{t-k}\) 之間的相關性。

資訊準則 (AIC 和 BIC)

有時候，光看圖表是不夠的。我們使用「懲罰分數」來在不同模型間進行選擇。我們希望模型既能良好擬合，又不至於過於複雜（參數過多）。
- AIC (赤池資訊準則)
- BIC (貝氏資訊準則)

經驗法則： AIC 或 BIC 值越低，模型就越好！這些工具能幫助我們避免過度擬合 (overfitting)（即模型過於複雜，以至於解釋了隨機噪聲而非實際趨勢）。

3. 第二步：參數估計

一旦我們決定了模型（例如 AR(1)），我們就需要找到 \(\alpha\) 的值。常見的方法有三種：

1. 動差法 (Method of Moments)： 我們將樣本動差（如數據中的均值和變異數）與模型的理論動差相等。這是最簡單的方法，但通常準確度較低。
2. 最小平方法 (Least Squares)： 我們選擇能使實際數據與模型預測值之間的平方差總和最小的參數。
3. 最大概似估計 (MLE)： 這能找到使觀測數據出現機率「最大化」的參數值。在 IFoA 考試中，這通常被視為大型數據集中最穩健的方法。

你知道嗎？ 對於簡單的 AR(1) 模型，\(\alpha\) 的動差法估計值正是第一個樣本自相關係數 (\(\hat{\rho}_1\))！

4. 第三步：診斷檢查

在建立模型後，我們需要檢查殘差 (residuals)（誤差）。如果模型完美，殘差應該是白雜訊 (White Noise)。

如何檢查殘差：
- 視覺檢查： 繪製殘差圖。它們看起來應該像電視機螢幕上的隨機「靜態雜訊」，沒有任何規律。
- 殘差的 ACF： 殘差的自相關係數應該全部接近零。
- 投資組合檢定 (Portmanteau Tests，例如 Ljung-Box 檢定)： 這是一種統計檢定，用於檢查一組殘差自相關係數是否顯著不為零。

常見錯誤： 別忘了，如果你的殘差顯示出某種規律（如波浪或趨勢），說明你的模型是不完整的。你還遺漏了一些資訊！

總結： 如果殘差是白雜訊，說明你的模型已經「提取」了數據中所有有用的資訊。做得好！

5. 預測：洞察未來

這正是我們進行時間序列分析的原因！我們想要計算 \(l\) 步領先預測 (Lead-\(l\) forecast)，記作 \(\hat{x}_n(l)\)。

如何計算預測值：

最佳預測值是條件期望值。邏輯步驟如下：
1. 寫出未來時間點的模型方程式（例如 \(X_{n+1} = \alpha X_n + \epsilon_{n+1}\)）。
2. 對等式兩邊取期望值。
3. 將未來的白雜訊項（\(\epsilon_{n+1}, \epsilon_{n+2}...\)）替換為 0（因為它們的期望值為零）。
4. 如果過去的白雜訊項已知，則將其替換為計算出的殘差。
5. 將過去的觀測值（\(X_n, X_{n-1}...\)）替換為其實際已知數值。

範例 (AR(1))：
如果 \(X_t = 0.8 X_{t-1} + \epsilon_t\) 且已知 \(X_n = 10\)：
1 步預測為：\(\hat{x}_n(1) = 0.8(10) + 0 = 8\)。
2 步預測為：\(\hat{x}_n(2) = 0.8(8) + 0 = 6.4\)。

對預測的信心

「點預測」（單一數值）很少是完美的。我們使用預測區間 (Prediction Intervals) 來顯示未來數值可能落入的範圍。當我們嘗試預測更遠的未來時，不確定性會增加，預測區間也會變得更寬。

關鍵點： 對於平穩的 ARMA 模型，當領先時間 \(l\) 趨於無窮大時，預測值最終將穩定在該過程的平均值上。

6. 應用總結

總結本章，記住這個流程：
1. 識別 (Identify)： 使用 ACF/PACF 圖或 AIC/BIC 來選擇 \(p\) 和 \(q\)。
2. 估計 (Estimate)： 使用 MLE 或最小平方法來求出係數。
3. 檢查 (Check)： 確保殘差看起來像白雜訊（Ljung-Box 檢定）。
4. 預測 (Forecast)： 使用模型方程式和期望值來預測未來。

最終鼓勵： 時間序列應用既是科學也是藝術。多練習觀察 ACF 和 PACF 圖——你看得越多，識別這些模式就越容易。你一定做得到的！