第十一章時間序列分析.pptVIP

第十一章　　時間序列分析 課程名稱：行銷研究 授課老師：魏文欽助理教授 一、重要基本名詞 1.white-noise process Vs. MA(1) , Vs.AR(1) 每一微弱恆定（weakly stationary）、純然非因果（外在因 素）決定（nondterministic）、或隨機過程（stochastic process），可以透過一序列非相關隨機變數之線性組合 （linear combination or linear filter）來表示。 相對地，「純粹非因果決定」意謂任何線性決定因素（它 已經自減除某一數額，通常為平均數μ），意謂著任何線性 組成因素可以藉由，本身過去的數值完美地加以預測，此一 過程記作（－μ）、定期序列、多項式或ｔ之指數序列 上述線性組合（linear filter）可以下式表示： －μ＝　　　　　　 ＝　　　 係由彼此不相關之隨機變數所組成，上述隨機變數服從一固定分配。通常假定係來自常態度分配，該分配服從如下： 我們一般稱上述序列 為一個white-noise process。 而係數 為 （psi）權數：其值可為「有限」或「無 限」。 MA（1） 當假設μ＝０及＝－θ，＝０，ｊ≧２，因而獲得一階移動 平均模式（first-order moving average model）如下： ……….一階移動平均模式 AR（1） 反之，當 則 上式為一階自我迴歸模式（first-order autoregressive model） 二、自我迴歸過程 （一）一階自我迴歸過程AR(1) 因為AR(1)可改為如下式： 令　　　B 一般式為 ， 其中，B為所謂「後移（落後）運算子：backshift or lag operator」，因此，AR(1)可改寫 當假設所構成之線性組合，只要＜１將收歛，亦即代表處於恆定（stationary） 的情況。 AR(2)―二階自我迴歸過程 因為上述模式亦可改為 2.Stochastic process 當欲構時間序列模式時，把觀察序列（ ）當作是「隨機過程（Stochastic process）」之特殊「實現 （realization）」。 隨機過程可以透過一個n維機率分配「p（ ）」來描述 一個「實現」及一個「隨機過程」兩者間之關係，類似於樣本及母體之關係。 （Ⅰ）當可以假設分配服從聯合常態性（joint normality） 時，便可完全掌握住整個過程之全部特性。 （Ⅱ）如果「聯合常態性」無法假設它成立，將假設該 「過程（process）」為線性 ─意謂著該過程之現值為「過程本身先前若干值」， 及「任何其他過程之現值及先前值」之線性組合， 於是期望所構成之集合將可掌握住大部份之特性。 3.Stationarity（恆定性） 意義：意謂著過程本身符合或處於“統計上之均衡 （statistical equilibrium）”。 a.「嚴格恆定性（strictly stationary）」： 若過程本身之特性不因時間（原點）之改變而受影響 換言之，在任何時間集合 （ ）所構成之聯合機率分 配，將與另一個時間集合（ ）之聯合機率分 配相同。 4.ACF（Autocorrelation Function） ACF（ ）它被視為「時間差異（time difference）或落 差（lag）k」的函數 ACF於建構觀察值之相依性時，份演一重要的角色，它與過程 的平均值 ，描述著隨機過程（ 之演化） 的恆定性；因此ACF可用以描述過程中某一個值與前面幾期的 值之相關程度，及過程「記憶」之長度及強度。 1次的自身相關係數ρ(1)有如挪一期的相關係數如下： 2次的自身相關係數ρ(2)有如挪二期的相關係數如下： PACF（Partial Autocorrelation Function） 意義