10-时间序列模型..docVIP

Wold分解定理：任何协方差平稳过程xt，都可以被表示为 xt - ? - dt = ut + ?1 ut-1+ ?2 ut-2 + … + = 其中? 表示xt的期望。dt 表示xt的线性确定性成分，如周期性成分、时间t的多项式等。?0 = 1， ∞。ut为白噪声过程。ut表示用xt的滞后项预测xt时的误差ut = xt - E(xt ? xt-1, xt-2 , …) 称为xt的线性非确定性成分。当dt = 0时，称xt为纯线性非确定性过程。 Wold分解定理由Wold在1938年提出。Wold分解定理只要求过程2阶平稳即可。从原理上讲，要得到过程的Wold分解，就必须知道无限个?j参数，这对于一个有限样本来说是不可能的。实际中可以对?j做另一种假定，即可以把? (L)看作是2个有限特征多项式的比， ?(L) === 注意，无论原序列中含有何种确定性成分，在前面介绍的模型种类中，还是后面介绍的自相关函数、偏自相关函数中都假设在原序列中已经剔除了所有确定性成分，是一个纯的随机过程（过程中不含有任何确定性成分）。如果一个序列如上式， xt = ? + dt + ut + ?1 ut-1+ ?2 ut-2 + … + 则所有研究都是在yt = xt - ? - dt 的基础上进行。例如前面给出的各类模型中都不含有均值项、时间趋势项就是这个道理。 自相关函数 以上介绍了随机过程的几种模型。实际中单凭对时间序列的观察很难确定其属于哪一种模型，而自相关函数和偏自相关函数是分析随机过程和识别模型的有力工具。 1. 自相关函数定义 在给出自相关函数定义之前先介绍自协方差函数概念。由第一节知随机过程{xt}中的每一个元素xt，t = 1, 2, … 都是随机变量。对于平稳的随机过程，其期望为常数，用 ? 表示，即 E(x t) = ?, t = 1, 2, … (2.25) 随机过程的取值将以 ? 为中心上下变动。平稳随机过程的方差也是一个常量 Var(xt) = E [(xt - E(xt))2 ] = E [(xt - ?)2 ] = ?x2 , t = 1, 2, … (2.26) ?x2用来度量随机过程取值对其均值 ? 的离散程度。 相隔k期的两个随机变量xt 与xt - k 的协方差即滞后k期的自协方差，定义为 ?k = Cov (xt, x t - k ) = E[(xt - ? ) (xt - k - ? ) ] (2.27) 自协方差序列 ?k , k = 0, 1, …, K, 称为随机过程 {xt} 的自协方差函数。当k = 0 时 ?0 = Var (xt) = ?x2 自相关系数定义 ?k = （2.28） 因为对于一个平稳过程有 Var (xt) = Var (xt - k) = ?x2 (2.29) 所以（2.28）可以改写为 ?k = == （2.30） 当 k = 0 时，有 ? 0 = 1。 以滞后期k为变量的自相关系数列 ?k, k = 0, 1, …, K (2.31) 称为自相关函数。因为?k = ?- k 即Cov (xt - k , xt ) = Cov (xt, xt + k )，自相关函数是零对称的，所以实际研究中只给出自相关函数的正半部分即可。 2.自回归过程的自相关函数 (1) 平稳AR(1)过程的自相关函数 AR(1) 过程如下 xt = ?? xt-1 + ut , ???? ? 1 xt) = 0。用xt- k 同乘上式两侧 xt xt- k = ?? xt-1 xt- k + ut xt- k 两侧同取期望， ?k = ?1 ?k -1 其中E(xt- k ut) = 0（ut与其t - k期及以前各项都不相关）。两侧同除 ?0 得, ?k = ?1 ?k -1 = ?1 ?1 ?k -2 = … = ?1k ?0