带有趋势项自回归系数有效估计-概率论与数理统计专业论文.pdf.docxVIP

一、引言一般来说，在时间序列分析中，第一步通常都是分离随机数据的趋势项和季节项。在一般的书中，最常用的方法就是通过移动平均方法来消除时间序列中具有缓慢变化的趋势项和季节项，然后在没有趋势项残差的基础上对数据进行时间序列分析。尽管很多方法也是基于残差来进行推断，但是很少有注意到对于这个不能观测到的时间序列，替换这个残差序列后再对其进行推断是否合适，除非趋势项具有己知的参数形式。例如，参考文献[9J和参考文献[4J的第九章。在所有的关于这方面的文章当中，有两篇文章是对于具有非参数趋势项的自回归模型，研究其系数的Yule-Walker估计的渐近性质。特别地，参考文献[8J也是使用移动平均算法或核估计的方法来估计趋势项，然后研究Yule-Walker估计的渐近性质，但是其要求自噪声序列具有高斯分布。参考文献[6J是在假定白噪声序列具有适当阶数的条件下，使用B样条的方法来估计趋势项，然后研究Yule-Walker 估计的效果，结论是其具有默示有效性(orac1eefficiency)。默示有效性(orac1eefficiency) 指的是对于未观测到的平稳白噪声序列和计算出来的残差序列，这两种序列的自回归系数具有渐近等价性。换句话说，减去估计趋势项后的残差序列的Yule-Walker估计，和减去己知趋势项后的残差序列的Yule-Walker估计，这两种估计具有相同的有效性。然而，这两篇文章都没有提供数据驱动(data-driven) 的方法来选择移动平均算子或移动步长。在这篇文章中，我们提出一种非参数估计趋势项的方法。这种方法是建立在局部线性回归的基础上，使用修改的移动平均算法来估计趋势项，而移动平均这种算法是众所周知的。对比于经典的移动平均算法，本文所提出的方法具有两个主要的优点:一是这种方法自动校正了边界上的偏差，二是这种方法是基于数据之上来选择平滑参数或移动步长。这两种特性将更有助于我们在实际中分析具有趋势项的时间序列数据，具体优势可以参见模拟试验研究的结果。而用经典的移动平均算法可能导致对自回归系数的错误估计。而且，在与参考文献[6J具有相同的假设条件下，即在严格平稳和一定的阶数假设条件下，这种基于残差的Yule-Walker默示有效性估计并不需要假设自噪声序列具有高斯分布。本文的主要理论结果是通过对误差进行分解之后对其各项阶数或矩进行界定，即证明其有界性。这种方法与参考文献[6J所使用的B 样条估计趋势项后证明其有界性的方法具有很大的不同。这篇文章的结构如下:第二部分介绍理论研究的背景以及所需的假设条件:第三部分介绍主要的定理及其推论:第四部分介绍本文方法的实施以及模拟试验研究结果和实际数据分析:第五部分主要提供定理的证明过程。二.自回归系数的估计在实际中，我们观测到的数据具有如下形式zX，=m(t/n)+写，1tn其中，m(.)是趋势项，未观测到的噪音序列{l;rl是具有p 阶自回归时间序列的AR(p)模型，满足如下关系乓=纳Y，-1++?pY，-p+Z，(2.1)在(2.1)中，Z，是创新序列或自噪声序列且满足乓-IID(阳升，亦即Z是独立同分布的序列，具有EZ，=O，EZ/=σ2，-∞t∞。这里，我们感兴趣的参数是自回归系数←(仇，…，?J0 根据参考文献[lJ中的等式(8.1.1)，自回归系数满足?=rp飞，rp={r(i-i)}j=l，rp =(r(I)，...，r(p)f(2. 2)其中，r(l)=E(Y，Y，+l)，1=O，:!:I，丑，…是自回归时间序列{别:4的自协方差函数。经典的Yule-Walker 对功的估计是一种基于噪音序列{写};=1 的阶数估计的方法，具体来说就是←飞，fp={r(i-i)};i=l，yP =(?(I)，...，y(p)t其中从参考文献[lJ中等式(8.1.5)可知样本自协方差函数y(l)的计算方法是Y(I)=n-1L用的Oln-l(2.3)在这篇文章中，我们将再当成是对#的不可行估计量，因为很显然它使用了未能观测到的序列{刑二，所以它不是一个合适的统计量。第一步是估计趋势项函数。参考文献[lJ的第一章中，以及其他关于时间序列分析的教科书中，提供了很多种关于趋势项m(.)的估计。其中最常用的一种方法是移动平均(movingaverage) 的方法，其计算公式为品(t/n)=N，!LXl至t5.n其中q叫移动平均算子或移动步长，矶，q-艺l叫gql是指下标i从t-q到t+q的指标个数。假设q三(n-l)/2，经过简单的代数运算可得(2q+lt艺Xq+l:;;t:;;n叩i=t-q品(tln)=(q+tr艺Xl:;;t:;;q(2.4)(n-t+q+ltLXn-q+l至t:;;ni=l-q第二步是使用估计的残差序列来计算自协方差函数和估计#。尽管这个方法被广泛的使用，然而这