第三章自回归滑动平均模型.pptVIP

第三章 自回归滑动平均模型 ARMA模型的好处在于它们的简约表示。与AR和MA情形一样，ARMA模型的性质通常可以由他们的自相关函数来刻画。简单ARMA模型的ACF的各种性质的一个浅显易懂的讨论可参见Box，Jenkins和Reinsel(1994)的著作第84页。进一步，既然当过程包含一个常数均值时ACF保持不变，因此，把一个常数均值加入到ARMA模型的表达式中不会改变任何协方差结构。所以，以上关于ARMA模型的ACF的各种性质的讨论常常也适用于非零均值情形。 * * * 3.1简介 本章引入了时间序列分析常用的几个概率模型。假定所要研究的序列已 经用前两章介绍的方法剔除了趋势。粗略地说，存在三种模型：滑动平均模 型(MA)；自回归模型(AR)和自回归滑动平均模型(ARMA)。它们用来描述平稳 时间序列。此外，因一些类型的非平稳性可以用差分的手段来处理，所以 我们也研究自回归融合滑动平均模型(ARIMAs)这种类型。 3.2滑动平均模型 设是具有均值为零方差为的独立同分布的随机变量序列并用 表示之。假如我们只要求是不相关的而不必是独立的， 则有时被称为白噪音序列并用表示之。从直观上说，这 意味着序列是随机而且没有系统结构的。 在本书的通篇，我们都用 表示宽意义上的白噪音序列，这就是说，或者意味着 或者意味着是具有均值为零方差为的不相关的随机变 量序列。用做成一个加权平均，我们就完成了如下的滑动平均(MA)时 间序列模型： (3.1) 此模型称为阶滑动平均模型并记为。 命题3.1 设是(3.1)式给出的模型。那么 (i) ； (ii) ； (iii) 证明： 观察公式 知，对于模型，其ACF在次滞后以后变为零。它显然是一个平稳模型。 例3.1 考虑模型。它的相关函数满足 考虑另一个模型 那么有。 和二者具有相同的协方差函数。那么和二者谁 更可取呢？ 为了回答这个问题，倒过头来将用数据来表示。对于数据集，残差 可以写为 (3.2) 对于数据集，残差可以写为 (3.3) 如果，方程(3.2)收敛而方程(3.3)发散。当我们想去解释残差时 ，处理一个收敛的表达式当然是更合意的。因此方程(3.2)更可取。在这种 情形下，模型被称为是可逆的。 一般地，设是一个模型，由给出，这里 而。可逆的条件由如下定理给出。 定理3.1 如果方程的根全部位于单位圆之外，那么模 型是可逆的。 证明：情形说明了证明思路。 注释：假如一个常数均值加入到方程中，使的，那么 ，但是，自协方差函数保持不变。 3.3自回归模型 另一类常用的模型是自回归(AR)模型。AR模型之所以有吸引力是因为它 很类似于传统的回归模型。当我们用时间序列的过去(滞后)值代替经典回归 模型中的预测子后，我们就得到了一个AR模型。因此我们有理由料想为经典 回归导出的大部分统计结果可以不做什么修改就推广到AR情形。情况确实 如此并且正因为这个原因，AR模型已经成为最常用的线性时间序列模型之一. 形式上，AR(p)模型可以写为，这里， 。于是，。正式地，我们有如下定义。 定义3.1 称为AR(p)过程，如果 (i) 是平稳的； (ii) 对所有的，满足。 3.3.1因果和平稳二象性　 在不同的著作中，关于AR(一般地，ARMA)模型的平稳性和因果性的 概念似乎存在着混淆。本节我们来澄清这种模棱两可的情况。 主要问题：AR(p)总是存在的吗？ 为了回答这个问题，考虑简单的AR(1)情形： (3.4) 迭代这个方程，有。 问题1. 我们可以找到满足方程(3.4)的平稳过程吗？ 首先，假如这样的过程的确存在，它会是怎样的呢？ ·既然满足方程(3.4)，它必须有如下形式： ·暂假定。既然是平稳的，那么对于所有的，。 特别地，命，则我们有：当时， 因此依，。 对于这个新定义的过程，我们有如下性质： (i) 对于所有的，满足(3.4)； (ii) ，； (iii) 。 因此，这个新定义的是平稳的并且问题1