时间序列分析讲义..docVIP

时间序列分析 第二章 时间序列分析 第二节 时间序列模型 线性时间序列模型的分类 自回归（AR）过程 AR(1)过程 ， , 。 当且仅当时因果，此时有唯一传递形式 。 当时平稳而不因果，有唯一形式 。 当时必定不平稳，称为随机游走。特别当还有时， 称为带漂移的随机游走。由于有 ， 。 由于方差不为常数，所以序列不平稳。 当时必定不平稳。实际上， ， ； ， 。 不论是奇数还是偶数，都有。由于方差不为常数，所以序列不平稳。 补充命题 一元p次方程 （其中）的p个（复）根都在单位圆以外的 必要条件是且。 一个充分条件是。 特别当时，充分必要条件是。 二、平稳时间序列的自相关及偏自相关函数 自相关函数(ACF) 补充定理* 定义在整数集上的实值偶函数是一个实 值平稳序列的自协方差函数，即（与无关），当且仅当它是非负定的，即对任何，任何，任何有 （二次型非负定）。 （5）样本自相关函数（SACF）与相关图 给定时间序列，我们定义样本自协方差函数 （SACVF）和样本自相关函数（SACF）。 SACVF: 。 以样本方差作为序列的理论方差的估计。它与前面定义的样本（修正）方差稍有不同。 SACF: ， 其中为样本均值。 相关图：SACF的作图称为相关图。 补充命题 （1）以上定义的SACVF 和SACF都是非负定的，即 各阶样本自协方差阵非负定，对 ； 各阶样本自相关阵非负定，对 。 （2）当样本方差时（也就是 不全相等时），以上各阶样本自协方差阵和样本相关阵，，都是对称正定的。 SACF是对理论ACF的估计，所以SACF的行为应该像ACF的行为。例如，MA(q)过程的ACF在q步后截尾。因此其SACF看起来也应有这一特征。后面将看到这是我们识别MA(q)过程的重要依据。 2．偏自相关函数(PACF) 偏自相关函数的定义 设是均值为的平稳时间序列，有自协方差函数 。现在考虑用常数项和（）对作线性最小均方误差预报，即最小化均方误差 。 （*1） 根据多元函数的极值理论，解线性正规方程组 从第一式中得到 （*2） 带入第二式中得到 即 （因为） 。 两端除以得 或写成矩阵形式 （*3） 这就是Yuler-Walker方程组，其中的为阶相关阵。 补充命题1 当自协方差函数满足且时，相关阵对任何都是对称正定的。此时关于未知向量的Yuler-Walker方程组有唯一解。 特别地，MA(q)过程、因果的AR(p)过程、因果的ARMA(p,q)过程都满足命题1中ACVF衰减向零的条件。 偏自相关函数的第一种定义 满足Yuler-Walker方程组的最后一个系数称为在滞后 （）处的偏自相关系数。函数称为的偏自相关函数（PACF）。 为了给出更体现PACF的含义的它的第二种定义，我们同样考虑用常数项和（）对作向后的线性最小均方误差“预报”，即最小化均方误差 。 （*4） 令 ， 同样可导出（*2）和Yuler-Walker方程组（*3）式，当然解出相同的 解 。 （*5） 但是，注意对与对预报的系数正好次序颠倒，在（*1）中距时间上最远，在（*4）中距时间上最远。 回忆两个随机变量和的相关系数定义为 。 偏自相关函数的第二种定义 对于（*2）和（*3）的解系数（*5）式，记用常数项和（）对和分别作的线性最小均方误差预报分别为 ， 。 称相关系数 为在滞后处的偏自相关系数。（注意与时间间隔为）。如想要在滞后处的偏自相关系数，则要用时间上介于中间的（）以及常数项对和分别作线性最小均方误差预报，记为和，那么 。 补充命题2 以上两种定义中的在滞后（）处的偏自相关系数相等。而在在滞后处的偏自相关系数等于在滞后处的自相关系数。 补充命题3 设平稳序列的自相关函数为。则它的偏自相关函数可以通过以下Durbin-Levinson递推算法计算：，且记，， ， 。 其中为用常数项和对作的线性最小均方误差预报。 注意：以上递推公式使用时，是对每个计算完三个等式后，在进入到。 AR(p)过程的偏自相关函数 补充定理4 设是平稳时间序列。则是因果 平稳的AR(p)过程当且仅当它的偏自相关函数在滞后以后截尾，即对任何。 证明* 只证方向，即因果平稳的AR(p)过程的PACF在滞后以后截尾。（相反方向的证明比较困难，此处从略）。考虑因果平稳的AR(p)模型 将此式带入用常数项和对作线性最小均方误差预报的均报误差中，当时有 ， 其中中间项为零是因为白噪声性质以及由