本时间序列分析第三章小结要点.pptVIP

时间序列分析 1. ARMA(1,2)的Ij的显式 ARMA(1,2)的Ij的隐式解 方法1：比较系数法 方法2：利用Gj和Ij的关系 隐式解： 差分方程的特征方程为 特征根为 所以逆函数的通解为： 由初始条件 解得： 逆函数的显式解为 ： 也可根据 由Gj换为-Ij，参数互换，特征根互换得到 三、ARMA(1, 2) 的逆函数的显式及可逆性条件 4. ARMA的等价转换关系 2. 可逆性条件 3. ARMA(p,q)的平稳性及可逆性条件 1. ARMA(1,2)的Ij的显式 2.可逆性条件： ARMA(2,1)的逆函数： ARMA(1,2)的逆函数： 可逆性条件： 可逆性条件： 从上面两个模型的可逆性条件可以看出，这两个模型的可逆性只与模型的移动平均部分有关，与自回归部分无关，实际上，这对所有模型都成立。 平稳且可逆的直观解释： 越远期作用越小，越远期值的影响越小，扰动随时间的增加，对系统响应的影响越小。 系统平稳： 系统对某一时刻进入的扰动的记忆逐渐衰减，随时间的增加，扰动的影响越来越小。 系统可逆： 某一时刻的系统响应对后继时刻系统响应的影响逐渐衰减。 4. ARMA的等价转换关系 若模型为平稳可逆时，各种模型有如下等价转换关系： AR（有限阶）→MA（无限阶） MA（有限阶）→AR（无限阶） ARMA（有限阶）→AR（无限阶） ARMA（有限阶）→MA（无限阶） 第三节 自协方差函数 一、自相关函数 2. 理论自相关函数与样本自相关函数 1.自相关函数的引入 3. 格林函数与自协方差函数之间的关系 二、偏自相关函数 4. ARMA模型自协方差函数及其特点 一、自相关函数 1. 自相关函数的引入 我们已知Xt的两种等价形式： 即Xt与Xt-j虽不直接相关，但有一定的相关关系，它们之间到底存在怎样的相关关系？相关程度如何？这就是我们这一节将要给大家介绍的。后面我们会看到，系统的动态性完全可用自相关函数来刻划。 2. 理论自相关函数与样本自相关函数 Xt：零均值平稳时间序列； （1）自协方差函数 cov(Xt，Xt-k)＝（若Xt零均值平稳）E(XtXt-k)=γk （2）理论自相关函数 自协方差函数 cov(Xt，Xt-k)=γk （3）样本自相关函数 自相关函数 由此可知，自相关函数和自协方差函数是关于零点对称的。一个正态平稳过程Xt能够被其均值和协方差函数（或等价地，均值、方差和自相关函数）完全刻划。 一个平稳过程的自协方差函数具有以下性质： （4）自协方差函数和自相关函数的性质 （5）协差阵 某平稳过程的一组观测值为（X1,X2,…Xn），其相应的协方差阵为 (6) 对样本自相关函数的说明 这是因为后者的方差要小于前者；后者是正定序列，协差阵为正定阵，对平稳序列而言，自协方差的正定性是最本质的，常常是相关分析和参数估计的条件； 对一般的Xt，k步滞后自相关ρk最令人满意的估计是 其中 k＝0，1，2，…，N；该式是自协方差 的估计， 称为样本自相关函数。 * 第三章 ARMA模型的特性 第三章 ARMA模型的特性 共有四节内容： ※第一节 格林函数和平稳性 ※第二节 逆函数和可逆性 ※第三节 自协方差函数 ※第四节 自谱 本章要考察ARMA模型 1.是否具有平稳性 2.是否具有可逆性 4.偏自相关函数的特点 3.自相关函数的特点 平稳性条件 可逆性条件 传递形式 格林函数 逆转形式 逆函数 定义、计算、及ARMA模型特点 只有平稳且可逆时，ARMA模型才有意义 第一节 格林函数和平稳性 在介绍格林函数和平稳性之前，我们先介绍一下线性常系数差分方程。这部分内容对学习时间序列分析是非常重要的。在时间序列的时域分析中，线性差分方程是非常重要，也是极为有效的工具。 二、AR(1)系统的格林函数(Green’s function) 格林函数：描述系统记忆扰动的程度的函数。 或者说： 把Xt表示成既往扰动at-i(i≥0)的加权和形式： Gi：格林函数 i＝0，1，2，…（权重系数） 等价传递形式 也称传递函数或记忆函数。 1. 等价传递形式及格林函数 2. MA模型的格林函数 3. AR(1)模型的格林函数 已是等价传递形式，格林函数已知 AR(1) 的参数 对系统动态性的影响： 5. 格林函数的意义： 记忆扰动的程度；扰动的权重函数；系统回复的速度；系统动态性完全取决于它；系统动态相应衰减的快慢程度 4. AR(1)模型可用一个无限阶MA模型来逼近 六、ARMA(2,1)系统的格林函数 方法：比较系数法