c时间序列第三章平稳时间序列模型的特性概要.ppt

样本自协方差与自相关系数的特性 当序列均值为零或常数且已知时， * 偏差的期望 与样本长度成反比， 与滞后及理论自相关成正比。当k取某一个固定常数时， 才是一个渐近无偏估计量，无有效可言，只是一个弱一致估计。而 在实际中大多数序列并非零均值，且理论均值往往未知，只好用样本均值来近似代替，这时，样本自协方差函数为 * 当考虑序列均值估计偏差的情况下， 都是有偏的，但后者是渐近无偏的。 的方差比 的小 * 前者的波动在整个k 的范围内都保持很少，而后者当k 接近于（N-1）时，方差增大很多。 当样本观测值X1，X2，…，XN不全为零时， * 必是正定序列 但 却不一定具备正定性。 因此，在时间序列分析中通常使用有偏估计式 其理由除以上所述之外，还在于我们主要关心的往往不是某一个k值时的 的估计值，而是以0到（N-1）范围内所有k 值的函数 的估计。 * （1）AR（1）模型的自协方差函数 AR(1)自相关函数为 ，即 其中 AR(n)序列的自协方差函数和自相关函数是拖尾的，这是 AR(n)序列的重要特征。 3．格林函数与自协方差函数之间的关系 AR(1)模型的自相关系数的推导 AR(1)模型为 * 假定 X t 为零均值。将模型两端乘以X t-k ，并取期望，得 当k=0 时，有 即 当k=1 时，有 * 当k=2时 以此类推，便有一般式 将 代入 ，有 * 相应的自相关函数为 平稳AR(2)模型的协方差 平稳AR(2)模型的协方差函数递推公式为 常用AR模型自相关系数递推公式 AR(1)模型 AR(2)模型 AR模型自相关系数的性质 AR模型自相关系数的表达式是一个齐次差分方程，设它的通解形式为 呈复指数衰减 拖尾性 MA模型的统计性质 常数均值 常数方差 MA模型的统计性质 自协方差函数P阶截尾 自相关系数P阶截尾 常用MA模型的自相关系数 MA(1)模型 MA(2)模型 * MA(n)模型为 由白噪声序列 的定义知，当 时，有 MA(n)序列的充分必要条件是其自协方差函数和自相关函数 是n步截尾的，这是MA(n)序列的本质特征。 （2）MA(1)模型的自协方差函数 * * 可见，对于MA（1）模型来说 MA(1)模型的自相关函数在滞后 1 期以后为零，即具有截尾性。 MA(q)模型的自协方差函数 * 就理论自协方差来说，它完全描述了系统的动态特征。 * 对于MA(q)模型，有 于是 * 但对于AR及 ARMA 系统，由于G j G j+k永远不会精确地等于零，因此 AR 模型的表现为拖尾而不是截尾。截尾性是 MA 模型的特性。 识别 AR 模型，要用到偏自相关函数  * 对于 考察由 对 即选择系数 作最小线性方差估计， ，使得 达到极小值，则称系数 为偏自相关函数。 可见，偏自相关系数就是使残差的方差达到极小的 阶自回 归模型（AR(k)模型）的第 项系数。 4. 偏自相关函数 偏自相关系数的推导 * * * * * * 当k=1 时，得 * 当用样本自相关函数代替Yule-Wolker 方程中理论自相关函数后，得到的偏自相关函数就称为样本偏自相关函数。 由式 * 是使在模型中已经包含了滞后期较短的滞后值 * AR(p) 模型偏自相关函数 p步截尾。 * * * 解得 则ARMA(2，1)系统的格林函数为 例如， * ,用显式求格林函数。 解：求特征根，即求 的根 即 于是，格林函数为 既然ARMA(2,1)是平稳的，根据Wold分解可知， 总可以用相互无关的向量线性表出，即 可写成 设分母可分解为 ， 其中 ： 为两个不相等的特征根，则 * 根据Wold分解求ARMA(2,1)系统的格林函数 可见，格林函数为 * 当 时，特征根 是实数，且格林函数是一个指数的和。 但是当 时，在复数域内该二项多项式有两个共轭复根，记作 对于ARMA(2,1)模型，特征根为 因为 所以 * 三角形式为 指数形式为 * 这时格林函数 * 相位角为 格林函数为 这是一个阻尼余弦波，阻尼为A,相位为 ，频率为