第二 时间序列分析的基本概念.pptVIP

第一节 时间序列分析的基本概念 一、两种不同的平稳性定义 二、时间序列的分布、均值和协方差函数 三、平稳序列的自协方差和自相关函数 四、白噪声序列和独立同分布序列 五、线性平稳序列 六、偏自相关函数 一、两种不同的平稳性定义 注：由于在实际中严平稳序列的条件非常难以满足，我们研究的通常是宽平稳序列，在以后讨论中，若不作特别说明，平稳序列即指宽平稳序列。 二、时间序列的分布、均值和协方差函数 1.时间序列的概率分布 随机过程是一族随机变量，类似于随机变量，可以定义随机过程的概率分布函数和概率密度函数。它们都是两个变量t,x的函数。 如果我们能确定出时间序列的概率分布，我们就可以对时间序列构造模型，并描述时间序列的全部随机特征，但由于确定时间序列的分布函数一般不可能，人们更加注意使用时间序列的各种特征量的描述，如均值函数、协方差函数、自相关函数、偏自相关函数等，这些特征量往往能代表随机变量的主要特征。 特征统计量 三、平稳序列的自协方差和自相关函数 1.平稳序列的自协方差函数和自相关函数 若{Xt}为平稳序列，假定EXt=0，由于 令s=t-k，于是我们就可以用以下记号表示平稳序列的自协方差函数，即： 相应的，严平稳序列的自相关函数记为： 2.平稳序列的自协方差序列和自相关函数列的性质 四、白噪声序列和独立同分布序列 1.白噪声（White noise）序列 定义：若时间序列{Xt}满足下列性质： 白噪声序列是一种特殊的宽平稳序列，也是一种最简单的平稳序列，它在时间序列分析中占有非常重要的地位。 2.独立同分布（iid）序列 定义：如果时间序列{Xt}中的随机变量Xt，t=0, ±1, ±2 ……是相互独立的随机变量，且Xt具有相同的分布（当Xt有一阶矩时，往往还假定EXt=0）,则称{Xt}为独立同分布序列。 可见独立同分布序列{Xt}是一个严平稳序列。 一般来说，白噪声序列与独立同分布序列是不同的两种序列，但是当白噪声序列为正态序列时，它也是独立同分布序列，此时我们称其为正态白噪声序列（NID）。 五、线性平稳序列 1.时间序列的线性 运算 设{Xt}与{Yt}为两个时间序列，a，b为两个实数，那么，zt=axt+byt t=0, ±1, ±2 …… 为序列{Xt}与{Yt}的一种线性运算。 2.时间序列的迟运算 设{Xt}为一时间序列，d为一正整数，那么， yt=xt-d t=0, ±1, ±2 ……为Xt的d步延迟运算。 3.时间序列的线性与延迟联合运算 yt=a0xt+a1xt-1+ … +apXt-p t=0,1,2…为时间序列线性与延迟联合运算。 当ai=1/p，i=0,1,2, …时，{Yt}即为对序列{Xt}的移动平均序列。 4.时间序列的非线性运算 非线性运算的形式是多种多样的：如 yt=xt2+axt，yt=xt-1/(1+xt-2)2等。 5.平稳线性序列 设{at}为正态白 噪声序列，则称序列： 六、偏自相关函数 偏自相关函数：指扣除Xt和Xt+k之间的随机变量Xt+1,Xt+2, …Xt+k-1等影响之后的Xt和Xt+k之间的相关性。 偏自相关函数一般用 表示。 第二节 随机过程的特征描述 一、样本均值 二、样本自协方差函数 三、样本自相关函数（SACF） 四、样本偏自相关函数 一、样本均值 对时间序列的一次样本实现，需要用样本均值代替总体均值 对于时间序列的一次样本现，我们也需要通过样本自协方差函数估计总体自协方差函数。这里有两种形式： 通过证明有如下结论： 上述样本自协方差函数 都是总体自协方差函数 的渐近无偏估计，且 比 的偏要大。但是， 比 的方差小，且在大样本情况下（n很大），二者差别不大，因此我们通常用 作为样本自协方差函数。 由于当k相对于n而言较大时， 的偏比 更大，因此，在时间序列分析时，一般滞后期k最多取至n/4 三、样本自相关函数（SACF） 1.对给定的序列x1,x2, … xn，样本自相关函数定义为： 四、样本偏自相关函数（SPACF） 1.样本偏自相关函数有如下递推公式： 例如，根据上述递推公式，我们有： * * * * 下一页 返回本节首页 上一页 下一页 返回本节首页 上一页 下一页 返回本节首页 上一页 均值 方差 自协方差函数 自相关函数 由此可见，时间序列的自协方差函数是 随机变量间协方差推广差 时间序列自协方差函数具有对称性： 下一页 返回本节首页 上一页 则称此序列为白噪声序列。 下一页 返回本首页 上一页 -4 -2 0 2 4 80 82 84 86 88 90 92 94 96 正