*随机序列:
{Xk;k=…,-1,0,1,…},其中Xk是随机变量.
特别当Xk=X(kh)时,序列{Xk}是过程{X(t)}的等间隔采样序列.
回忆随机变量X和它的样本的定义,我们有:
*样本序列:
{…,x-1,x0,x1,…}是序列{Xk}的一个样本序列,
又称为一个实现,又称为一个观测序列,等等.
请注意:
随机变量X的一个样本,就是一个数;
随机向量X的一个样本,就是一个向量数;
随机序列{Xk}的一个样本,是一个无穷数列;
在实际应用中,我们无法记录无穷数列,从而在讨论随机序列{Xk}的样本时,只能考虑一个样本的有限部分,比如
{x1,x2,…,xn}是序列{Xk}的一段观测值序列.
在理论讨论时,为了方便又不得不涉及无穷数列.这些都是学习和掌握时间序列分析时,首先要认清的起点.
**序列的分布:
回忆随机变量X的定义便知,它的特征被它的概率分布所确定.同样,随机序列也被它的概率分布所确定.不过,随机序列的分布是无穷个随机变量的概率分布,其复杂性可以想得到.这里为了避免涉及太深的概率论概念,我们仅考虑最简单的特疏情况,即
XkN(k,2k),它有密度
fk(x)=(22k)-1/2exp{(x-k)2/22k}
而且(Xk+1,Xk+2,…,Xk+m)有联合正态分布.于是有:
*期望(均值):
EXk=xfk(x)dx=k,
*方差:
Var(Xk)=E(Xk-k)2=(x-k)2fk(x)dx=2k.
*自协方差:
kj=E[(Xk-k)(Xj-j)]=(x-k)(y-j)fkj(x,y)dxdy
=E[(Xj-j)(Xk-k)]=jk.
回忆二元随机变量X和Y的协方差定义便可理解上式.
*平稳序列:
一类重要的特疏随机序列.
弱平稳序列:
如果k=;kj=k-j=j-k.
严平稳序列:
如果(Xk+1,Xk+2,…,Xk+m)的分布与k无关!
正态平稳序列:
弱平稳序列严平稳序列!
**遍历性:
一个重要性质—-时间序列统计分析的基础.
(与大数是律有关)
(1/n)k=1nXkEXk=xfk(x)dx=k,当n.
(1/n)k=1ng(Xk)Eg(Xk)=g(x)fk(x)dx,当n.
3.2白噪声序列:
什么是?
为什么叫?
有什么用?
它是基楚性的随机序列,具体来说,{…,-1,0,…}是相互独立相同分布的随机变量序列,且均值为零,方差为2.(常用i.i.d.{t}表示)
Et=0,Et2=2,Ets=0,(ts)
(3.2.1)(3.2.2)(3.2.3)
因为,当ts时
ts=E[(t-Et)(s-Es)]=Ets=EtEs=0=t-s.
为什么叫白噪声序列,在讲谱分析更能看清.
它有什么用呢?
可以说,很多很多的随机序列都是通过白噪声序列的变化生成的!
*请看几个例子:
例1.Yt=a+bt+t,(确定函数+白噪声)
t=EYt=E(a+bt+t)=a+bt+Et==a+bt,
kj=E[(Yk-EYk)(Yj-EYj)]=Ekj=EkEj=0,(jk)
kk=E(Yk-EYk)2=Ek2=2.
例2.Yt=t+a1t-1+a2t-2,(白噪声延迟的线性和)
例3.Yt=tt-1,(白噪声白噪声延迟)
例4.Yt=t/(1+t-12).(白噪声+白噪声延迟的函数)
●一个有趣的问题:
是否用白噪声序列能生成所有的
平稳序列?
(回答是,不能!
)
3.3移动平均过程(滑动平均序列
—MovingAverage-MA)
*移动平均过程定义的由来---概述:
设{k}为白噪声序列,顾名思义,滑动平均序列是:
Yt=(t+t-1+…+t-m+1)/m,t=…,-1,0,1,…
推而广之
Yt=(0t+1t-1+…+mt-m+1)/(0+1+…+m),
更广之
Yt=+1t-1+…+mt-m+1+t,(3.3.8)
或
Yt=+i=0it-i.(线性序列)(3.3.13)
Yt=+i=-it-i.(线性序列,非现实)
*移动平均过程的特征:
*均值函数:
EYt=+i=0iEt-i=.(ByEt-i=0)(*)
*自协方差函数:
kj=E[(Yk-)(Yj-)](用上式)
=E[i=0ik-ii=0ij-i]
=E[i=0s=0isk-ij-s]
=i=0s=0isEk-ij-s(ByEk-ij-s=0,ifk-ij-s)
=i=0ii+k-jE12(ByE12=2)
=2i=0ii+k-j=k-j.(3.3.18)*
可见,(3.3.13)式的{Yt}是平稳序列.特别当{k}为正态白噪声序列时,{Yt}也是正态平稳序列.
还特别指出:
为保证(3.3.18)式可求和,要求
i=0i2.(3.3.14)
或者更强的要求
i=0i.(3.3.15)
由此式可导出
i=0i.(3.3.19)
此式能保证序列{Yt}具有遍历性.
*一阶移动平均过程(MA
(1))
Yt=+t-1+t,(3.3.1)
相当于(3.3.13)式中的0=1,1=,其它i=0.以此代入(*)和(3.3.13)式则有
EYt=,(3.3.2)
0=2(1+2),1=-1=2,i=0,当i>1时.
(3.3.3)(3.3.4)(3.3.5)
(3.3.5)式是一阶移动平均过程的基本特征!
它表现为
自协方差函数序列{0,1,2,…},
在1以后是截尾的,即{0,1,0,0,0,…}.
易见,这一特征与0和1的具体取值并不密切,所以,可用序列的自相关函数表述.
*自相关函数:
k=k/0,k=0,1,…(3.3.6)
这是因为
k=k/0=k/01/201/2=
E[(Yt+k-)(Yt-)]/{E(Yt+k-)2E(Yt-)2}1/2,
它是Yt+k和Yt的相关系数,依平稳性它与t无关,但与k有关,所以称函数,又因是序列自身的关系,所以称自相关函数.
*对于(3.3.1)的一阶移动平均过程而言,由(3.3.4)和(3.3.5)知
0=1,1=/(1+2),当k>1,k=0.(3.3.7)
可见,自相关函数在1以后全为零(截尾)是一阶移动平均过程的本质性特征!
*以上内容不难推广到
*q阶移动平均过程:
(MA(q))(见p58-59)
模型
Yt=+1t-1+…+qt-q+t,(3.3.8)
特征
k=0,k=0,当k>q.(3.3.12)
即,它的自协方差函数在q步以后截尾.
关于0,1,…,q的具体表达式为
0=(1+12+22+…+q2)2,(2=Et2)(3.3.10)
j=(j+j+11+j+22+…+qq-j)2,j=1,2,…,q(3.3.12)
注意,以上(3.3.10)和(3.3.10)式,表达了0,1,…,q
和参数1,2,…,q2,2的相互依赖关系!
但是,除非q=1,一般很难求解.况且,它们的解还有不唯一性问题,此问题方在3.7节中解答.
例2(见p59).
3.4自回归过程.(自回归序列—AutoRegression--AR)
*一阶自回归过程(AR
(1))(相当于概述)
*实际背景:
*定义:
Yt=c+Yt-1+t,(3.4.1)
其中{t}是白噪声序列,而且,t与{Yt-1,Yt-2,…}独立!
所以,在文献中,{t}又被称为新息序列!
*求解:
由(3.4.1)式反复迭代有:
(不妨叫反复迭代法)
Yt=c+Yt-1+t
=c+(c+Yt-2+t-1)+t
=c+c+2Yt-2+t-1+t
=2Yt-2+(c+c)+(t+t-1)
=3Yt-3+(c+c+2c)+(t+t-1+2t-2)
=…
=nYt-n+(c+c+…+n-1c)+(t+t-1+…+n-1t-n+1)
(c+c+2c+…)+(t+t-1+2t-2…)(当n)
=c/(1-)+k=0kt-k.(3.4.2)
*平稳性:
显然,上式成立的充分必要条件是:
<1.即(-1,1)
于是有名称:
区间(-1,1)为AR
(1)模型的平稳域;
(3.4.2)式的解为AR
(1)模型的平稳解;
---AR
(1)平稳序列;
它也是MA()序列(见(3.3.13)式).
*均值函数:
由(3.4.2)式和Et=0,有
Yt=c/(1-)=.(3.4.3)
*自相关函数:
在(3.3.18)式,此时
j=j,j=0,1,…
于是AR
(1)的自协方差函数为
k=2j/(1-2)=j0,j=0,1,…(3.4.5)
AR
(1)的自相关函数为
k=k/0=j,j=0,1,…(3.4.6)
*模型推演方法:
(不用(3.3.18)式)
回顾模型AR
(1)(3.4.1)式
Yt=c+Yt-1+t,两边同取均值得
=EYt=Ec+EYt-1+Et=c+=c/(1-).
在(3.4.1)式两边同减上式=c+得
(Yt-)=(Yt-1-)+t.
记Wt=(Yt-),它是{Yt}的中心化序列!
它满足中心化的AR
(1)模型
Wt=Wt-1+t.(3.4.1)’
以Wt-k(k1)同乘上式两边,然后再同取均值得
k=EWtWt-k=EWt-1Wt-k+EtWt-k=k-1,k=1,2,…(3.4.15)
其中用到t与Wt-k独立,和Et=0,即EtWt-k=EtEWt-k=0.由此可得k=k0.将Wt=Wt-1+t两边平方后,再同取均值得
0=EWt2=2EWt-12+Et2+2EWt-1t=20+20=2/(1-2).
记L为(一步)延迟算子(运算),即Lt=t-1,L2Wt=Wt-2,等等.于是,Wt=Wt-1+t可写成
Wt=LWt+t或者Wt-LWt=t或者
(1-L)Wt=t.(3.4.1)’’
对上式进行形式上的代数运算可得
Wt=(1-L)-1t=k=0kLkt=k=0kt-k.
其中
(1-L)-1=k=0kLk(1-L)k=0kLk=1.
以上推演方法,不仅简便,而且能推广到高阶情况!
*高阶推广:
Yt=c+1Yt-1+…+pYt-p+t,(3.4.13)
=c+1+…+p,
Wt=1Wt-1+…+pWt-p+t,
记
.
则Wt=1Wt-1+…+pWt-p+t等价于
Zt=AZt-1+Ut.(*)
于是,以上对模型AR
(1)的推演步骤都无困难地推广到以上p元一阶AR模型.唯一的差别就是要用到矩阵运算.例如,类似于(3.4.2)式的解为
Zt=k=0AkUt-k.(*)
此时(3.4.13)式具有平稳解的充分必要条件是:
A的本征值的模都小于1,
(A)<1.(对比<1,(A)是A的谱半径)
我们所说的模型推演方法暂叙到此.
*二阶AR模型:
(见p64-66)(概述其难点所在)
模型:
Yt=c+1Yt-1+2Yt-2+t,
Wt=1Wt-1+2Wt-2+t,(3.4.10)
依前所述,只要求得(3.4.10)式的解,就不难获得AR
(2)模型的个项特征量.要获得(3.4.10)式的解,就等价于求
{Wt}的(3.3.13)式中的系数j(0j<).如上所述,我们有两种方法:
一是用(3.4.10)式反复迭法;(仿(3.4.2)式)
一是算子的代数运算法;(求二元一阶AR模型的解)
说实话,都不简单!
为什么?
请看
若用(3.4.10)式反复迭法,则有
Wt=1Wt-1+2Wt-2+t=t+1(1Wt-2+2Wt-3+t-1)+2Wt-2
=t+1t-1+(12+2)Wt-2+12Wt-3=…
以下难于寻找t-2,t-3,…的系数的表示法.(难于寻找规律)
若用算子的代数运算求解(3.4.10)式,此时
Zt=
A=
在用(*)式求Zt的表达式时,要求出Ak(k=1,2,…),同样难于寻找规律!
究其根源在于:
此时(3.4.10)式可写为
Wt-1Wt-1-2Wt-2=t,(3.4.10)’
记(L)=1-1L-2L2,则(3.4.10)式又可写为
(L)Wt=t,(3.4.10)’’
于是有解
Wt=-1(L)t=j=0jt-j(=Yt-=Yt-c-1
(1))
其中
-1(L)=i=0iLj(L)=i=0iLj=1
式中的系数j与(x)=0的根有关,而且只有当
(x)=0的根都在单位圆外,即(x)0,对x1.(3.4.18)
(3.4.10)式才有平稳解!
而且,一般难于给出j的显示表达式!
对Ak而言也如此!
注意AR
(1)时只有一个实根;AR
(2)时可能有两个不同的实根,有一个的实的双重根,有两个不同的但是共轭的复根.
对于注重应用者,更关心自协方差函数,请看:
将Wt=1Wt-1+2Wt-2+t两边同乘Wt-k,再求均值可得
EWtWt-k=1EWt-1Wt-k+2EWt-2Wt-k+EtWt-k
注意,对于k1时,EtWt-k=EtEWt-k=0,于是有
k=1k-1+2k-2,k1,或者(3.4.25)
k-1k-1-2k-2=0,k1.(3.4.25)’
当k=0时,将Wt=1Wt-1+2Wt-2+t两边同乘Wt,再求均值得
EWtWt=1EWt-1Wt+2EWt-2Wt+EtWt
=11+22+Et(1Wt-1+2Wt-2+t)
=11+22+1EtWt-1+2EtWt-2+Et2(ByEtWt-j=0,j1)
=11+22+2.(3.4.29)
至此我们得到了(3.4.29)式和(3.4.25)式.人们已注意到,(3.4.25)式也是二阶差分方程,也难得显示解.但是我们不关心它的解,而关心0,1,2和参数1,2,2的相互依赖关系!
至于3,4,…,它们被0,1,2(或1,2,2)唯一确定,而且不被关注.进一步而言,(3.4.29)式和(3.4.25)式中取k=1,2就唯一确定了0,1,2和参数1,2,2的相互依赖关系!
现写下这三个方程:
0=11+22+2,
1=10+21,
2=11+20.
将0同除以上后两式的
1=1+21,(3.4.27)
2=11+2.(3.4.28)
由此不难解出1,2与1,2的关系.其实,我们更关心1,2对1,2的依赖关系!
注意,(3.4.27)和(3.4.28)式联合起来,称为(AR
(2)的)Yule-Walker方程.
*p阶AR模型:
(见p66-68)
模型:
Yt=c+1Yt-1+…+pYt-p+t,(3.4.31)
记Wt=Yt-=Yt-c/(1-1-…-p),
Wt=1Wt-1+…+pWt-p+t,(3.4.31)’
Wt-1Wt-1-…-pWt-p=t,
(L)Wt=t,
(L)=1-1L-…-pLp.
平稳条件:
(x)=0的根都在单位圆外,即(x)0,对x1.(3.4.32)
Y-W方程:
t=1t-1+…+pt-p,t=1,2,…(3.4.37)
若记=(1,2,…,p),=(1,2,…,p),再记
R=
则由(3.4.37)式可得
R=.(3.4.37)’
有解
=R-1.(3.4.37)’’
**偏相关函数:
若将(3.4.37)’中的p用k代替,并记相应的记号为
(k)=(1k,2k,…,kk),(k)=(1,2,…,k)和R(k),则有
(k)=R-1(k)(k),k=1,2,…(3.4.37)*
序列{kk:
k=1,2,…}为偏相关函数列.
请注意,k是Wt+k和Wt的相关系数,而kk是在已知Wt+1,Wt+2,…,Wt+k-1条件下,Wt+k和Wt的相关系数.粗略地说,在扣除Wt+1,Wt+2,…,Wt+k-1的影响后,Wt+k和Wt的相关系数.
可以证明,对于平稳AR(p)序列而言,偏相关函数列在p以后都为零,也称截尾,即
{kk:
k=1,2,…}={11,22,…,pp,0,0,…}.(*)
3.5自回归滑动平均过程:
(ARMA(p,q))
讨论ARMA(p,q)模型时,用多元化的方法并不方便,常用的方法是延迟算子的方法.具体如下:
*ARMA(p,q)模型:
Yt=c+1Yt-1+…+pYt-p+1t-1+…+qt-q+t.(3.5.1)
Yt-1Yt-1-…-pYt-p=c+t+1t-1+…+qt-q
记
(L)=1-1L-…-pLp;
(L)=1+1L+…+qLq;
于是(3.5.1)式可写成
(L)Yt=c+(L)t,(3.5.2)
上式有解
Yt=-1(L)c+-1(L)(L)t,
=+(L)t.
其中
=c/(1-1-…-p)(书中有此式,但无编号)
=c-1
(1)
(L)t=-1(L)(L)t=(k=0kLk)(L)t
=k=0kLkt=k=0kt-k=Wt.
于是(3.5.1)(或(3.5.2))有解
Yt=+Wt=+k=0kt-k.(*)
中心化的ARMA模型为
(L)Wt=(L)t,(3.5.2)’
Wt=-1(L)(L)t.
关于ARMA(p,q)模型的特性,能说些什么呢?
它的自相关函数和偏相关函数都不截尾,可以说,正因为都不截尾,就不得不考虑引入ARMA(p,q)模型.当然也不是无条件的,细究起来要读第5章.在此,我们仅介绍以下性质.
*(3.5.1)有平稳解的条件:
(x)=0的根都在单位圆外,即(x)0,对x1.(3.5.3)
*自协方差序列的尾部特征:
将(3.5.2)两边同乘Wt-k(k>q),再取均值得
E[(Wt-1Wt-1-…-pWt-p)Wt-k]=E[(t+1t-1+…+qt-q)Wt-k]
即有
t-1t-1+…+pt-p=0,t=q+1,q+2,…(3.5.5)
很有趣,虽然ARMA(p,q)序列的自协方差序列不截尾,但是它的线性组和序列t-1t-1+…+pt-p确在q步后截尾.由此既可给出此模型的判别依据,又可找到0,1,…,p+q和参数
1,2,…,p,1,2,…,q,2的依赖关系.(见第5章)
3.6自协方差生成函数(谱表示)(移至第6章)
3.7可逆性:
*先举两个例子,首先看
Wt=t+(1/2)t-1(*)
其中{t}为正态白噪声,即tN(0,2).于是有
EWt=0,EWt2=2+(1/2)22=(1+(1/4))2=(5/4)2,
1=EWtWt-1=E(t+(1/2)t-1)(t-1+(1/2)t-2)=(1/2)2.
再考查另一模型
Zt=t+2t-1,(**)
其中{t}为正态白噪声,即tN(0,2/4),即,
Et2=2=2/4,于是有
EZt=0,EZt2=2+42=52=(5/4)2,
1=EZtZt-1=E(t+2t-1)(t-1+2t-2)=22=(2/4)2=(1/2)2.
可见序列{Wt}和{Zt}有相同的均值,和相同的