时间序列分析1).pptVIP

时间序列分析;按时间顺序产生和排列的观察数据序列称为时间序列 某地近60个月的月平均气温如下： ;从概率论知，如果x是某个随机现象（或随机试验结果）的总称（每个月的平均气温），做一次试验（观察一次）只能获得x的一个取值X，它是一个样本值(普通的数)，以一定的概率出现，将一系列样本值按时间顺序排列起来，就得到时间序列x1, x2, …xt, …，每个xt均为一个随机变量 从实质上看,时间序列是一连串按固定时间间隔排列的随机变量;时间序列x1, x2, …xt, …，下标t为整数变量，代表等时间间隔的增量，如第t天，第t时刻，第t次等，随时间流逝，往往只能得到时间序列的一个现实 所获得的数据最为重要和有用的特性，就是观测值之间的依赖关系或相关性，这种相关一旦被定量地描述出来（模式识别），就可以从系统的过去观察值预测其将来的值， 用来分析各种相依有序的离散数据集合的方法称为时间序列分析 另一种研究方法是将x1, x2, …xt, …，看为一个随机向量（ x1, x2, …xt, …）或随机过程{xt | t ∈T};传统的时间序列分析法;现代的时间序列分析方法;时间序列的参数模型; xt= π1 xt-1+ π2 xt-2+…+ at (1) 其中at是正态的白躁声序列，其均值为常数，不妨假定为0，即： E[ at ]=0 E[ at at-k]= σa2 当k = 0 E[ at at-k]= 0 当k 0 上面假定表明，白躁声at序列中的各个随机变量彼此不相关，没有任何统计联系 以B表示后移算子，即B xt= xt-1, Bk xt = xt-k 则（1）变为： (1- π1 B- π2 B2 -…)xt= at; 改写为 π(B) xt= at 求逆 xt=ψ(B) at 展开 xt= at + ψ1 at-1+ ψ2 at-2 +… (2) 式(2)表明一个时间序列 xt可以认为是由一个相互独立的白躁声序列 at 通过一个线性滤波器（1,ψ1 ,ψ2 ,…)而产生;自回归(AR)模型;式（3）中的假定;AR(p)模型平稳的条件;AR过程的自相关函数ρk;一阶自回归模型AR(1);ρk;AR(1)的两种特殊情况;广义平稳过程{xt};滑动平均模型MA(q);MA模型的自相关系数;ρk;MA(1)的自相关系数;自回归滑动平均模型ARMA;ARMA(2,1);ARMA(p,q)的自相关系数;由（7）式可以看出，q为ARMA(p,q)模型中滑动平均的记忆部分。在k=q+1后（即kq)，其自相关系数显示出纯自回归过程的特性，即kq时，滑动平均部分就不起作用了，故ARMA(p,q)的自相关系数也具有拖尾的性质 当k=0 r0=φ1r-1+…+φp rp+σa2-θ1r-1(x,a)-…-θq r-q(x,a) 再分别将k=1,…p代入（7）共得到p+1个方程 解出r0 , r1 ，…， rp, 进一步求出ρk ;求ARMA(1,1)的自相关系数; r0=[1+θ12 - 2φ1θ1]σa2/[1- φ1 2] r1=[(1+φ1θ1)(φ1- θ1)]σa2/[1- φ1 2] r2=φ1r1 rk= φ1rk-1 k2 ρ1= [(1+φ1θ1)(φ1- θ1)] / [1+θ12 - 2φ1θ1] ρ2= φ1 ρ1 ρk= φ1 k-1ρ1 结论：自相关函数从初值ρ1开始，呈指数衰减，这反映该过程滑动部分只有一个周期的记忆。;时间序列模型的特性;格林函数Gj;AR(1)的格林函数;ARMA(2,1)的格林函数;逆函数 Ij;系统的可逆性是指逆函数Ij的有界性,它是对ARMA模型滑动平均参数θ1 , θ2 ,… , θq所 附边的一种约束条件: 设vk为 vq - θ1 vq-1 - θ2 vq-2- …- θq=0的根 系统可逆的条件为 |vk|1 (Ij 有界) k=1,2,…,q 如果违反可逆条件： Ij →∞ （当j→∞） 由 xt= ∑j=1∞ Ij xt-j + at 意味着过时越久的xt对现在的xt影响越大，没有实际意义;偏相关函数φkk;设真实模型是AR(2)： xt =φ21 xt-1 -φ22 xt-2+ at 则 ρj=φ21ρj-1+φ22ρj-2 j=1,2,… ρ1=φ21ρ0+φ22ρ1 ρ2 - ρ12 ρ2=φ21ρ1+φ22ρ