《安鸿志时间序列讲义.docVIP

时间序列概论 (时域) 目录 (1-1页) 应用背景 (2-2页) 实际背景 与连续过程的联系 应用分类 第二章. 概率描述 (2-5页) 1. 无穷维分布族 2. 均值函数,自协方差函数与自相关函数 时间序列的重要例子 平稳序列 线性平稳序列 非线性平稳序列 两种可逆性 第三章. 参数模型 (5-13页) 线性序列的参数模型 非线性序列的模型 组合模型 多项驱动噪声的模型 ARCH与GARCH模型 第四章. 预报分析 (13-19页) 两种预报方法 两种不同的线性概念 新息序列与驱动噪声 第五章. 线性与非线性的差异与联系 (19-31页) 研究方法的差异 正反向模型的差异 半参数模型 时间序列与伪随机数 第六章. 多元序列与时空场 (31-34页) 多元ARMA模型 多元GARCH模型 协整分析(Co-integration) 4． 时空场 参考文献 (34-35页) 应用背景 实际背景 一类是直接按离散时间记录的数据序列。比如, 某地区逐年的降雨量序列。 另一类是直接按连续时间记录的数据。在计算分析时, 需要对它们进行等间隔的离散时间取样, 于是便得到数据序列。比如, 心电记录的数据就是连续时间的曲线。再一类不是直接按时间记录的数据序列, 它们可以是其它间隔的数据序列, 即可以是有时间含义的, 也可不是。比如, 某人心跳间隔长度记录的数据序列。 又如, 某部章回小说逐回中所出现的某字(或词语)的数量序列。 最后还有两点值得一提: 其一, 随着科技的进步, 人类观测记录的能力不断高。 如心跳间隔长度的记录就是近代技术的表现。 其二, 面对一个实际问题, 或者一个实际现象, 寻找到能够刻画其实质特征 (即使是部分特征也好)的可观测的数据序列, 这也是发挥创见的用武之地。 比如, 欲将概率统计应用于文史类有关问题的研究, 关键之一就在于选择科学的切入点, 其中就可能遇到常人难以想象到的有价值的观测数据序列。 2. 连续过程的联系 此现象在前一小节已提到, 这里只用数学公式表达如下:当x(t)是一连续记录值时, 其等间隔的离散时间取样为xk=x(kh), 对某个较小的h(0), 和k=1,2,… 这里xk 就是一个时间数据序列。此类序列普遍存在于科学技术界的各个领域。 3. 应用分类 时间序列分析的应用, 大致可分为预报,诊断,控制和管理等方面。这里不详细介绍, 只是想提一下, 为了不同的应用目的, 对时间序列分析研究的侧重面也有所不同。 这与本文关系都不密切。 概率描述 1. 无穷维分布族 若{xt; t?N}, N?{…,-1,0,1,2,…}, 为一随机序列, 即时间序列, 它的全部概率特性, 被其相容的全体有穷维分布族决定! 即 Fx ?， 其中 Fn?{F(x1,x2,…,xn; t1,t2,…,tn); t1t2…tn ?N }, F(; t1,t2,…,tn)=P(,…,). 相容性是指Fx中的高维边际分布与低维分布的相容关系, 如 F(x1,x2,…,xn; t1,t2,…,tn)= F(x1,?, x2,…,xn; t1,s1,t2,…,tn) 对任何t1s1t2?N成立。不难想到对更一般情况的要求。确切地说, (x1,x2,…,xn)的联合分布的任何低维的边际分布, 与Fx中的相应维数中的相应变元的分布相重合。 2. 均值函数,自协方差函数与自相关函数 上述分布族的一二阶矩的表征是： 均值函数: m(t) ?E xt ; 自协方差函数: c(t,s) ?Cov(xt, xs)=E(xt-m)(xs-m); 自相关函数: r(t,s) ? Cov(xt, xs)/{ Cov(xt, xt) Cov(xs, xs)}1/2. 在统计分析中, 对以上诸函数都要考虑用数据估计它们。而本讲稿以介绍时间序列为本, 所以，不防只考虑m(t)=0的情况, 否则用xt- m(t)代替xt即可。 关于自协方差函数 c(t,s), 和自相关函数 r(t,s), 注意到它们有如下的正定性质, 即 C?(c(ti, tj))1?i,j?n, 和 R?(r(ti, tj))1?I,j?n 都是对称正定(或非负定)矩阵。 3. 时间序列的重要例子（以下用简化记号{xt}, {et}等） (1). {et}为独立同分布(简称i.i.d.)序列 此序列的有穷维分布族是最简单的, 因为 F(; t1,t2,…,tn)=?i=1n F(xi),