时间序列的预处理要点.ppt

第二章 时间序列的预处理 本章结构 平稳性检验 纯随机性检验 2.1平稳性检验 预备知识 平稳时间序列的定义 平稳时间序列的统计性质 平稳时间序列的意义 平稳性的检验 预备知识 平稳性是某些时间序列具有的一种统计特性，要描述清楚这个特征，需要借用如下的统计工具。 概率分布 数理统计的知识告诉我们：分布函数或概率密度函数能够完整地描述一个随机变量的统计特征。同样，一个随机变量族统计特性也完全由它们的联合分布函数或联合密度函数决定。 预备知识 时间序列概率分布族(有限维分布函数构成的全体)的定义 实际应用的局限性 预备知识 特征统计量 一个更简单、更实用的描述时间序列统计特征的方法是研究该序列的低阶矩，特别是均值、方差、自协方差和自相关系数，它们也被称为特征统计量。 尽管这些特征量不能描述随机序列全部的统计性质，但由于它们概率意义明显，易于计算，而且往往能代表随机序列的主要概率特征，所以我们对时间序列进行分析，主要就是通过分析这些特征量的统计特性，推断出随机序列的性质。 预备知识 均值 方差 自协方差 自相关系数 （“自” --- 同一对象不同时间） 预备知识 均值（t时刻的均值函数） 对时间序列 而言，任意时刻的序列值 都是一个随机变量，都有它自己的概率分布，不妨记其分布函数为 ，只要满足条件 就一定存在某个常数 ，使得随机变量 总是围绕在常数值 附近做随机波动，我们称 为序列 在t时刻的均值。 预备知识 均值（t时刻的均值函数） 当t取遍所有的观察时刻时，就得到一个均值函数序列 。它反映的是时间序列 每时每刻的平均水平。 预备知识 方差 当 时，可以定义时间序列的方差用以描述序列值围绕其均值做随机波动时的平均波动程度。 同样，当t取遍所有的观察时刻时，我们得到一个方差函数序列 。 预备知识 自协方差函数和自相关系数 对时间序列 ，任取 ，定义 为序列 的自协方差函数： 定义 为时间序列 的自相关系数（简记ACF）: （“自” --- 同一对象不同时间） 预备知识 自协方差函数和自相关系数 之所以称它们为自协方差函数和自相关系数，是因为通常的协方差函数和相关系数度量的是两个不同事件彼此之间的相互影响程度，而自协方差函数和自相关系数度量的是同一事件在两个不同时期之间的相关程度，形象地讲就是度量自己过去行为对自己现在的影响。 平稳时间序列的定义 严平稳 严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平稳。 宽平稳 宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二阶），就能保证序列的主要性质近似稳定。 平稳时间序列的统计定义 满足如下条件的序列称为严平稳序列 满足如下条件的序列称为宽平稳序列 宽平稳也称为弱平稳或二阶平稳。 严平稳与宽平稳的关系 一般关系 严平稳条件比宽平稳条件苛刻，通常情况下，严平稳（低阶矩存在）能推出宽平稳成立，而宽平稳序列不能反推严平稳成立 特例 不存在低阶矩的严平稳序列不满足宽平稳条件，例如服从柯西分布的严平稳序列就不是宽平稳序列 当序列服从多元正态分布时，宽平稳等价于严平稳 平稳时间序列的统计性质 常数均值 自协方差函数和自相关函数只依赖于时间的延迟长度而与时间的起止点无关。 根据这个性质，可以将自协方差函数由二维函数 简化为一维函数 ： 由此引出延迟k自协方差函数的概念。 平稳时间序列的统计性质 对于平稳时间序列 ，任取 ，定义 和 分别为时间序列 的延迟k自协方差函数和自相关系数： 延迟k自协方差函数 根据平稳序列的性质，容易推断出平稳随机序列一定具有常数方差： 延迟k自相关系数 自相关系数的性质 规范性 对称性 非负定性 非唯一决定性 1个相关函数------多个时间序列 平稳时间序列的意义 时间序列数据结构的特殊性 可列多个随机变量，而每个变量只有一个样本观察值 平稳时间序列的意义 平稳时间序列的意义 平稳性的重大意义(常数均值) 极大地减少了随机变量的个数，并增加了待估变