第三章 平稳时间序列分析hu.ppt

第三章 平稳时间序列分析 本章结构 方法性工具 ARMA模型 平稳序列建模 序列预测 3.1 方法性工具 差分运算 延迟算子 线性差分方程 差分运算 一阶差分 二阶差分 p 阶差分 步差分 延迟算子 延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻 记B为延迟算子，有 延迟算子的性质 ，其中 用延迟算子表示差分运算 阶差分 步差分 线性差分方程 线性差分方程 齐次线性差分方程 齐次线性差分方程的解 特征方程 特征方程的根称为特征根，记作 齐次线性差分方程的解 齐次线性差分方程的通解 不相等实数根场合 有相等实根场合?1=…= ?d 复根场合?1=a+bi=rei?, ?2=a-bi=re-i? 非齐次线性差分方程的解 非齐次线性差分方程的特解 使得非齐次线性差分方程成立的任意一个解 非齐次线性差分方程的通解 齐次线性差分方程的通解和非齐次线性差分方程的特解之和 例题1 例题2 例题3 xt=0.5xt-1-0.25xt-2 特征方程 ?2-0.5 ? +0.25=0 重根 ?1=?2=0.5 通解 (c1+c2t)0.5t 3.2 ARMA模型的性质 AR模型（Auto Regression Model） MA模型（Moving Average Model） ARMA模型（Auto Regression Moving Average model） AR模型的定义 具有如下结构的模型称为 阶自回归模型，简记为 特别当 时，称为中心化 模型 AR(P)序列中心化变换 称 为 的中心化序列 ，令 主要研究中心化模型 自回归系数多项式 引进延迟算子，中心化 模型又可以简记为 自回归系数多项式 AR模型平稳性判别 判别原因 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 判别方法 单位根判别法 平稳域判别法 例3.1:考察如下四个模型的平稳性 例3.1平稳序列时序图 例3.1非平稳序列时序图 AR模型平稳性判别方法 特征根判别 AR(p)模型平稳的充要条件是它的p个特征根都在单位圆内 |?i|1,i=1,2,..,p 根据特征根和自回归系数多项式的根成倒数的性质，等价判别条件是该模型的自回归系数多项式的根都在单位圆外 平稳域判别(更直观) 平稳域 AR(1)模型平稳条件 特征根 平稳域 AR(2)模型平稳条件 特征根 平稳域 例3.1平稳性判别 平稳AR模型的统计性质 均值 方差 协方差 自相关系数 偏自相关系数 均值 如果AR(p)模型满足平稳性条件，则有 根据平稳序列均值为常数，且 为白噪声序列，有 推导出 中心化序列?=0 Green函数定义 AR模型的传递形式 其中系数 称为Green函数 Green函数递推公式 原理 方法 待定系数法 递推公式 方差 平稳AR模型的传递形式 两边求方差得 例3.2:求平稳AR(1)模型的方差 平稳AR(1)模型的传递形式为 Green函数为 平稳AR(1)模型的方差 协方差函数 在平稳AR(p)模型两边同乘 ，再求期望 根据 得协方差函数的递推公式 例3.3:求平稳AR(1)模型的协方差 递推公式 平稳AR(1)模型的方差为 协方差函数的递推公式为 例3.4:求平稳AR(2)模型的协方差 平稳AR(2)模型的协方差函数递推公式为 自相关系数 自相关系数的定义 平稳AR(P)模型的自相关系数递推公式(差分方程) 常用AR模型自相关系数递推公式 AR(1)模型 AR(2)模型 AR模型自相关系数的性质 拖尾性 平稳|?i|1,i=1,2,..,p, 从而 ?呈负指数衰减 例3.5:考察如下AR模型的自相关图 例3.5— 自相关系数按负指数单调收敛到零 例3.5:— 例3.5:— 自相关系数呈现出“伪周期”性 例3.5:— 自相关系数不规则衰减 偏自相关系数 定义 对于平稳AR(p)序列，所谓滞后k偏自相关系数就是指在给定中间k-1个随机变量 的条件下，或者说，在剔除了中间k-1个随机变量的干扰之后， 对 影响的相关度量。用数学语言描述就是 偏自相关系数的计算 可以证明(P55)滞后k偏自相关系数实际上就等于k阶自回归模型第k个回归系数的值。 用Yule-Walker方程求解