非线性时间序列 第二章.docVIP

第二 时间序列的特征 统计推断就是从已知东西中获知一些未知的东西. 时间序列分析也不例外. 为了做到这一点，有必要假定在所感兴趣的时间范围内，概率分布的某种特征保持不变. 这就导致了不同类平稳性的假定. 这些不同的假定依赖于我们所考虑问题的特性. 数据间的相依性是时间序列分析和经典统计间的基本差异. 为适应实际需要，各种不同的相依性度量已被给出. 在本章，我们介绍最常用的平稳性定义和相依性的度量，并讨论何时这些定义和度量与实际更有关. 2.1 平稳性 2.1.1 定义 在本节，我们引进两类平稳性的定义，即（弱）平稳性和严平稳性. 这两类平稳性都要求时间序列保持某种时不变性. 定义2.1 时间序列称为平稳的，如果对每个，且 （i）是与无关的常数. （ii）对每个与无关. 定义2.2 时间序列称为严平稳的，如果对任意的和任意的整数和有相同的联合分布. 平稳性，在大多数教科书中常被称为弱平稳性，仅假定时间序列的前两阶矩是时不变的. 假如时间序列有有限的二阶矩，则它比平稳弱. 弱平稳性主要用于线性时间序列，比如ARMA过程，这类时间序列主要涉及时间延迟变量间的线性关系. 事实上，对多数涉及线性时间序列分析的问题，例如谱分析，只要有弱平稳性的假定就够了. 反过来，如果我们的兴趣是在非线性关系，则时间序列存在前两阶矩有时是不够的. 这就解释了为什么在非线性时间序列分析中常要求严平稳性条件. 2.1.2 平稳ARMA过程 显然，白噪声过程WN是平稳的，但它不必是严平稳的；参阅§1.3.1. 依以上的讨论，用WN作为一般线性时间序列模型的生成模块是自然的. 对高斯时间序列，我们仅需关注前两阶矩的性质. 平稳高斯时间序列还是严平稳的. 首先，我们考虑滑动平均模型. 由（1.2）式易见，任何阶为的MA过程是平稳的. 对一切，考虑如下定义的MA模型： ， （2.1） 其中. 因此， . 这就意味着（2.1）式右边的无穷和依概率收敛，且由于条件蕴涵了，故还依一阶矩和均方收敛. 注意，在更强的条件下，由Loève定理（见Chow和Teicher（1997）中第117页的推论3），无穷和还几科处处收敛. 进一步，， ， （2.2） 与无关. 因此，这样的模型还定义一个平稳过程. 显然，如果是i.i.d. 的且，则由（2.1）定义的过程是严平稳. 利用推移算子，我们可以把由（1.3）定义的一般模型表示为如下形式 （对一切）， （2.3） 这里是推移算子，其定义为 和是多项式，定义为 . （2.4） 注2.1 对由（2.3）式定义的ARMA模型，我们总假定多项式和没有公因子. 否则，如此定义的过程在消去公因子后，等价于一个阶数小于的过程. 定理2.1 如果对一切满足的复数，则由（2.3）给出的过程是平稳的. 证明 令是的根. 则有和. 由一些简单的Taylor展开，我们得到，对任意的， . 注意 . 记. 容易验证，. 因此， ， （2.5） 其中，且. 这就表示，对一切，在条件下，是形如（2.1）式的过程，从而是平稳的. 时间序列中的另一个重要概念是因果性. 定义2.3 如果对一切，时间序列满足 ， 其中，则称该序列是因果的. 因果性意味着能够由（从过去）直到时间的白噪声过程生成，实际上是一个过程. 对由（2.3）定义的ARMA过程，因果性等价于条件：对一切（Brockwell和Davis（1996）第83页），因而也蕴涵了平稳性，但反之不是真的. 事实上，模型有惟一的平稳解的充分和必要条件是对一切使得的复数（Brockwell和Davis（1996）第82页）. 然而，作为例子，可以证明，在对一切的条件下，自回归模型（2.3）的平稳解具有形式 ， 但它不是因果的. 由于依赖于“将来的”噪声，是否应该称它为一个时间序列尚可有争议. 不过，任何一个非因果的ARMA过程都能够借助于重新定义的白噪声而表示为一个（具有相同阶数）因果ARMA过程，且这两个过程有同样的前两阶矩（Brockwell和Davis（1991）的命题3.5.1）. 因此，不失一般性，我们将注意力限于因果ARMA过程这一子类. 但是，我们应注意到，即使最初的过程是由i.i.d. 过程生成的，在过程新的表示里，白噪声可以不再是i.i.d. 过程. 在定理2.1里，过程依时间双边无穷这一条件是重要的. 例如，对如下定义的过程 它是平稳的（还是严平稳的），其中. 然而，对和初始点，由于，故这样定义的过程不再是平稳的.