非平稳时间序列模型).docVIP

第4章 非平稳时间序列模型 迄今为止，我们所讨论的时间序列过程都是平稳过程，但是许多应用时间序列过程是非平稳的，尤其那些来自经济和商业领域的数据。对于协方差平稳过程，非平稳时间序列以多种不同的方式出现，这些非平稳时间序列可能随时间的变化（一下简称时变）的均值μt，时变的二阶距（如时变的方程σt2），或者二者皆有。例如，图4-1给出了1960年1月—2002年8月美国16~19岁失业女性数量的月度序列图，清楚地显示出了其均值水平在随着时间的变化而变化。图4-2给出了1871-1984年间美国年度烟草产量的时序图，不仅显示出均值水平对时间的依赖，也显示方差随着均值水平的提高而增长。 本章将阐述如何建立一类非常有用的齐次非平稳时间序列模型，即自回归求和移动平均（autoregressive integrated moving average，ARIMA）模型。为了将平稳和非平稳时间序列模型联系起来，本章将引入一些有用的差分和方差稳定变换。 4.1 均值非平稳 均值非平稳过程给我们提出了一个非常严峻的问题。即在没有重复观测的情形下时变均值函数的估计问题。幸运的是，现已能从单个实现构建模型去描述这种依赖于时间的情形。本节将引入的两类模型在均值非平稳时序建模中的作用是很大的。 4.1.1 确定性趋势模型 非平稳过程的均值函数可以用一个时间的确定性模型函数来表示。在这种情形下，可以用一个标准回归模型来描述依赖与时间的情况。例如，如果均值函数μt具有线性趋势，即μ=α0+α1t，那么就可以使用如下确定性线性趋势模型 Zt=α0+α1t+αt （4.1.1） 其中，αt是0均值的白噪声，对于确定性的二次均值函数μt=α0+α1t+α2t2，可以使用 Zt=α0+α1t+α2t2+αt（4.1.2） 来描述。更一般地，如果确定性趋势可以用时间的K阶多项式来描述，那么可以通过如下方程建模 Zt=α0+α1t+…+αktk+αt（4.1.3） 如果确定性趋势可以用正弦—余弦曲线来表示，那么可以使用 Zt=ν0+νcosωt+θαt（4.1.4） =ν0+αcosωt+βsinωt+αt（4.1.5） 其中 α=νcosθ, β=-νsinθ（4.1.6） ν=α2+β2 （4.1.7） 以及 θ=tan-1（-β/α） （4.1.8） 称ν为曲线的振幅，ω为曲线的频率，θ为曲线的相位。更一般地，有 Zt=ν0+j=1m（αjcosωjt+βjsinωjt）+αt（4.1.9） 其常常被称为隐周期模型。我们可以用标准的回归分析来分析这些模型，后面第13章中将再次讨论。 4.1.2 随机趋势模型和差分 尽管很多时间序列是非平稳的，但是由于某些作用，这些序列的不同部分的特性非常相似，只不过是局部均值水平不同而已。Box和Jenkins（1976，p.85）称此类非平稳为齐次非平稳。由ARMA模型可知，如果其AR多项式的某些根不在单位圆之外，那么过程为非平稳的。然而，由于齐次性，这种齐次非平稳序列的局部特征与其均值水平是独立的。因此，令ψ（B）为描述这种特性的自回归算子，对于任意常数C，我们有 ψB=Zt+C=ψBZt （4.1.10） 该等式意味着：对于某个d0，ψ（B）的形式必定为 ψB=?（B）(1-B)d 其中，?（B）为一个平稳自回归算子。于是，通过序列的适当差分，一个齐次非平稳序列就退化为一个平稳序列。也就是说，序列{Zt}是非平稳的，但是对于某个整数d≥1，其d阶差分序列{（1-B）dZt}是平稳的。例如，如果d阶差分序列为高斯白噪声序列，那么有 （1-B）dZt=at （4.1.12） 为了弄清楚这种齐次非平稳序列的具体含义，考虑（4.1.12）中d=1的情形，即 （1-B）Zt=at （4.1.13a） 或Zt=Zt-1+at（4.1.13b） 若给定过去信息Zt-1，Zt-2，…，则序列在时刻t的均值水平为 μt=Zt-1 （4.1.14） 其取决于时刻（t-1）的随机扰动。换言之，1-BZtd≥1 中的过程Zt的均值水平随时间随机变化，而我们把该过程可化为具有随机趋势。此模型不同于前一节所提到的确定性趋势模型，在确定性趋势模型中过程在时刻t的均值水平是纯粹的关于时间的确定性函数。 4.2 自回归求和移动平均模型 通过适当差分，一个齐次非平稳时间序列能够转化为一个平稳时间序列。因为自回归移动平均模型在描述平稳时间序列方面是很有用的，所以本节将讨论使用差分来建立一大类时间序列模型，即自回归求和移动平均模型，其在描述各种齐次非平稳时间序列方面很有用。 4.2.1 一般ARIMA模型 显然，对齐次非平稳序列进行适当差分得到的平稳过程不必想式（4.1.12）中那样是高斯白噪声。更一般地，差分序列（1-B