ARMA模型的时域特性重点分析.ppt

逆函数的含义 1. Green函数Gj是 展成B算子的幂级数的系数. 2.从信号处理和数理统计的角度来看，Gj将一个独立的、彼此.无关的时序{at}组合成一个彼此相关的时序{xt}，故它是一个成形滤波器；而(-Ij)将一个相关的时序{xt}转化成一个彼此无关的时序{at}，故它是一个白化滤波器。 显然，从对信号的处理而言Gj与Ij的作用是互逆的 3.. Gj与(-Ij)在卷积关系中互逆，它们的卷积等于1个单位脉冲。 系统的稳定性和可逆性 稳定性是指系统绝不收任一瞬间的干扰而偏离平衡位置。可逆性是指ARMA模型采用逆传形式时，Ij是有界的。差分方程理论已经证明：ARMA模型自回归部分的齐次差分方程的解可以是Gj，滑动平均部分的齐次差分方程的解可以是Ij。 当 时， 发散，原系统不稳定； 当 时， 发散，逆传系统不稳定即系统不稳定； 和 实际上是系统的极点和零点。当 和 时， 和 均在单位圆内，这相当于所对应的连续系统的极点和零点均在复平面的左半平面内，此时系统则为控制理论中的“最小相位系统”。 ARMA模型不但需要满足稳定性条件，一般还需要满足可逆性条件，从而才能保证相应的等价系统才有可能是最小相位系统。 ARMA模型 一、ARMA(n,m)模型可分别表示为： 其中： ARMA(n,m)平稳条件与可逆条件 ARMA(n,m)模型的平稳条件 n阶自回归系数多项式 的根都在单位圆外 即ARMA(n,m)模型的平稳性完全由其自回归部分的平稳性决定 ARMA(n,m)模型的可逆条件 m阶移动平均系数多项式 的根都在单位圆外 即ARMA(n,m)模型的可逆性完全由其移动平滑部分的可逆性决定 自相关函数 (autocorrelation) 偏自相关函数 (partial autocorrelation) 理论自协方差函数和自相关函数 对于ARMA系统来说，设序列的均值为零，则自协方差函数 自相关函数(ACF) 自相关函数 样本自相关函数的计算 在拟合模型之前，我们所有的只是序列的一个有限样本数据，无法求得理论自相关函数，只能求样本的自协方差函数和自相关函数。样本自协方差有两种形式： 则相应的样本自相关函数为： 无偏差估计 渐近无偏差估计 构成非负定列 具有相容性 渐近正态分布 自 协 方 差 函 数 自协方差函数与Green函数的关系 自协方差函数Rk作为描述系统的输出信号，其主要包含了两部分的内容： 表示输入白噪声的统计特性，Gj表示系统的动态特性。 偶函数性质： 偏自相关函数(PACF)定义： 已知{xt}为一平稳时间序列，若能选择k个合适的系数 将xt表示为xt-1的线性组合，有： 当误差方差 极小时， 则定义的最后一个系数 为偏自相关函数（系数） 偏自相关函数的计算： 最后简化为： 由此得到Yule-Walker 方程，记为： 已知时，由该方程组可以解出 利用克莱姆法则，对k=1，2，3，… 依次求解得 ? 上述 …… ? 序列为AR模型的偏自相关函数。 Green函数 Gj 逆函数 Ij 自相关函数 Rk 偏自相关 函数 动态特性 统计特性 对MA有截尾性 对AR有截尾性 顺传系统 逆传系统 Yule-Walker 方程 谢谢！！！ 请大家批评指正 ARMA模型的时间特性 Green函数 系统稳定性 ARMA模型，一方面，它基于观测时间序列 建立起来的随机微分方程，因而它解释了动态数据的统计特性；另一方面，由于 可视为某一系统的输出，因而，它又揭示了产生此动态数据的系统的动态特性，但不论是数据的统计特性，还是系统的动态特性，均可在时域和频域中得到描述，所有这些特性，构成了ARMA模型的基本特性。 本章重点讨论ARMA模型的最主要的时域特性——系统的单位脉冲响应函数 和动态数据的自协方差函数 。前者表征系统特性，在时序方法中又称为Green函数，后者表征数据的统计特性。 同时，还将介绍ARMA模型的另外两个时域特性——逆函数和偏自相关函数。 讨论模型特性的目的在于: 一方面，它是实际应用的理论基础，很多实际问题的解决往往就是模型特性直接应用的结果；