自回归移动平均过程.docVIP

A . 自回归移动平均过程理论部分 1．基本概念 表达式为： （1） 写成滞后算子的形式为： （2） 两侧同时除以，从而得到 （3） 其中 从而可以发现，过程的平稳性完全取决于回归参数而与移动平均参数无关。即过程的平稳性条件为特征方程： 的根在单位圆外。 （1）变形： （4） 两边同时乘以，求期望得到自协方差。当时，结果方程的形式阶自协方差形式： （5） 从而解为 （6） 时的自协方差函数比较复杂，并且不具有应用意义。不过过程的自相关函数都具有拖尾特征。 过程容易出现的两个问题： 过度参数化问题。例如一个白噪声过程也可以用表示。此时无论取何值，利用都能够很好的拟合数据，因此造成估计的困难。 过程的表达式（54）的滞后多项式进行因式分解得到 （7） 假设自回归算子和移动平均算子存在共同根（公因子），同时除以公因子，得到的过程和原来的过程相同。 表1 时间序列模型性质表 模型 性质 AR(p) MA(q) ARMA(p,q) 模型方程 平稳条件 的根在单位圆外 无条件平稳 的根在单位圆外 可逆条件 无条件可逆 的根在单位圆外 的根在单位圆外 ACF自相关 拖尾 在截尾 拖尾 PACF偏自相关 在截尾 拖尾 拖尾 2.的预测 2.1．预测原理（基于条件的预测）： 定义1：均方误差 对于任何预测都存在误差，我们需要给出一个损失函数来度量预测偏离一个特定的量的程度。假定一个二次损失函数，选择，使得 （8） 最小。表达式（8）称为预测值的均方误差，记做。 定理1：最小均方误差预测就是条件下的期望。 证明： 假定为基于条件期望以外的其他函数的预测，其为： （9） 因为在的条件下，与都是常数，因此 （10） 根据迭代期望法则，（10）的期望就是无条件期望，即 （11） 从而，（9）变为 （12） 右边第一项为常数，因此如果希望均方误差最小，只有： （13） 定理得证。 定义2：线性投影 假设预测为的线性函数，即。如果存在一个，使得预测误差与，即 （14） 则预测称为关于的线性投影。 定理2：在线性预测族中，线性投影具有最小均方误差。 证明和定理1相似。 线性投影是随机过程总体特征的归纳；而OLS回归是对样本观察值的归纳。 定理3 多重投影定理 如果的期的预测是期信息的投影，则结果为的期最小均方误差预测。 例1.过程预测 解：过程，当时，满足平稳性和可逆性。因此预测为： 其中 从而预测为 对于，预测服从递归算法： 即在一期以后，预测按几何方式以速度收敛于无条件均值。前一期的预测为： 其中 例2：过程预测 解：对于过程 1期预测为 其中。前期预测为： 当时，预测为由自回归系数决定的阶差分方程。 3. 沃尔德分解和ARMA建模 3.1．沃尔德分解 定理4 Wold分解定理： 任何零均值协方差平稳过程可表示成如下形式 （15） 其中，且。是白噪声（新生量），表示以的滞后项预测产生的误差： （16） （17） 对于任意的，的值与无关。由的过去值确定，称为的线性确定性分量。称为线性非确定性分量，若，该过程为纯线性不确定的。 Wold分解定理仅依赖于的稳定的二阶矩。因此描述了的最优线性预测。 3.2．Box-Jenkins建模 3.2.1.建模基本思想 将某个时间序列的SACF和SPACF的行为与各种理论ACF和PACF的行为匹配起来，挑选最佳匹配（或一组匹配的集合），估计模型的未知参数，并检查从模型拟和得到的残差，已发现可能的模型错误。 步骤： 变换数据，是数据满足协方差平稳性假设（单位根检验和季节调整）。 对序列的过程的参数做一个初始的较小值猜测。 估计和的系数。 初步诊断分析。保证所得模型和数据特征相符。 3.2.2．样本自相关SACF （18） 其中 （19） （20） 由于实际上假定了协方差平稳性，因此当，总体自协方差趋向于零。 SACF的检验统计量为：