[生物学]4时间序列的预报.ppt

第五章 时间序列的预报 最小方差估计 平稳线性最小均方误差预报 一类非平稳序列的线性最小均方误差预报 ARMA序列的新息预报 第一节 最小方差估计 一. 最小方差估计准则 对未知随机变量或未知随机向量进行估计是时间序列分析中预测理论的重要内容。 令 表示依据量测Z对X所得的某种估计，称 为X的估计，它是与X的维数相同的随机向量，而且是Z的函数. 记估计的误差为 ，称 为估计的均方误差阵，若存在某种估计，使得估计的均方误差阵比任何其他的均方误差阵都小，则称这个估计是最优的。 注：这里所讲的估计的均方误差阵大小，是指矩阵的大小。设A,B为同阶对称阵，若A-B是非负定阵，则称A不小于B，记为 ；若A-B是正定阵，则A大于B，记为AB。 二. 条件期望与条件方差 对于两个二阶矩有穷的随机向量，定义在给定Y=y的条件下，X的条件期望和条件方差分别记为E(X|y)和Var(X|y) 其中p(x|y)是给定Y=y的条件下X的条件密度函数。 条件期望的性质： (1) E(X|Y)是Y的函数向量并与X的维数相同， E(X|Y)是随机向量 (2) E(X|Y)具有线性性，即对k个相同维数随机向量 及k个常数 有， (3) E[E(X|Y)]=EX (4) 设X与Y为相互独立的随机向量，则 E[f(X)|Y]=f(X) 其中f( )为适当的函数向量，仅要求f(x)为随机向量。 (5) E[f(Y)|Y]=f(Y) 三. 最小方差估计 寻找最小方差估计就是寻找一个适当的Z的函数 为随机函数向量，较之其它估计 相应估计的均方误差阵达最小，即 可以证明： 注： （1） 最小方差估计是无偏估计 （2） 最小方差估计的均方误差阵为 四. 线性最小方差估计 若估计 为量测随机向量Z的线性函数 其中 为n维随机向量，Z为m维随机向量，a为 与 同维数的常值向量，A为非随机矩阵，选 择a,A使估计的均方误差阵达最小的估计称为线 性最小方差估计。记 X的线性最小方差估计为 的性质： (1) 无偏性：线性最小方差估计具有无偏性 (2) 最小方差性： (3) 线性最小方差估计的估计误差为 且 与Z正交。 定义1.1（投影） 设X与Z分别是二阶矩的n维 与m维随机向量，如果存在一个与X同维数随机向 量 ，且 具有下列性质： (1) 可由Z的线性表示，即 ,其中a 和A分别为常值向量和常值矩阵 (2) (3) 与Z正交，即 则称 是X在Z上的投影，记为 注： (1) 线性最小方差估计 是X在Z上的投影 (2) X在Z上的投影只能是线性最小方差估计 ，即投影是唯一的 (3) 当X与Z为联合正态时,X关于Z的条件期望和X在Z上的投影相等，即 第二节 平稳线性最小均方 误差预报 预报是根据现在和过去的观察资料，对未来时 刻的取值进行估计。 设 为零均值平稳序列， 为 的 长度为k的样本，根据 对 ( 为正整 数)做出估计 ，取估计的优劣标 准为使估计误差 (2.1) 的方差 达最小，则 (1) (2.2) 称 为 步最小均方误差预报。 (2) 如果函数f是 的线性函数,那么(2.2) 为正交投影，即 其中 ，称 为L步线性最小 均方误差预报。 注： (1) 当 为正态序列时，最小均方误差预报与线性最小均方误差预报是一致的。 (2) 当 为非正态序列时，最小均方误差预报要优于线性最小均方误差预报。 例2.1: 设 为相互独立的随机变量, ,令 分别求Y关于X的线性最小均方误差估计和最小均方误差 估计。 线性最小均方误差估计具体的表述：选择 使得 达最小。由于 因此， 令 则有， 将理论自协方差函数 换成样本自协方差函数 ， 得到，