文献综述
Ⅰ 前言
时间序列分析是概率统计中研究的热点课题，在实际问题诸如金融经济、信号处理、气象水文、质量控制等领域有着广泛的作用。ARMA模型是目前最常用的平稳时间序列拟合模型，又可以细分为AR模型、MA模型、ARMA模型三大类。
统计诊断是数据分析的重要组成部分，其主要任务是通过诊断统计量检测已知观测数据在用既定模型拟合时的合理性。对于经典线性回归模型，通常采用两种模型进行统计诊断：数据删除模型（CDM）和均值漂移模型（MSOM）。
在经典线性回归分析中，通常假设回归模型满足Gauss-Markov假设，即回归模型的随机误差项一般情况下是假定服从零均值正态白噪声的。但是在实际中遇到的问题往往比较复杂，在实际数据中随机扰动项可能存在序列相关，尤其是自相关性。如果仍按原假设处理问题，会导致参数估计精度下降以及假设检验犯错误概率升高。因此，此时对模型不仅要进行异方差检验，还要进行相关性检验。对于具有MA（1）误差的一元线性模型，梁敏（2007，[1]）介绍了它的参数估计、假设检验，并建立CDM和MSOM进行统计诊断；而对于具有AR（1）误差的一元和多元线性模型，黄芙蓉（2004，[2]）和凌佳等（2012，[3]）分别介绍了它们的参数估计、假设检验，并采用了CDM和MSOM进行统计诊断；在此基础上，刘福香(2010,[4])研究了具有AR（2)误差的线性模型的统计推断问题。
本研究通过相关关键词对相关文献进行分析、总结，旨在结合时间序列分析方法与统计诊断方法，对具有MA（2）误差的线性模型进行参数估计与假设检验，并采用CDM与MSOM进行诊断分析，同时研究两种模型是否等价，并给出相应的诊断统计量。最后将通过实例分析进行回归诊断与修正并通过R语言实现，以期为未来研究实际市场模型提供理论基础。
Ⅱ 相关文献的研究现状
2.1 具有MA（1）误差的线性模型
2.1.1 模型的参数估计
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
