第四讲随机间序列的特征观察.doc

四 随机时间序列的特征观察 【实验目的与要求】 准确掌握随机过程的平稳性和非平稳性的特征和判断方法。 熟练掌握运用相关分析图判断随机过程是否平稳。 学会利用相关分析图判断序列的季节性。 熟练掌握运用相关分析图判断齐次非平稳序列平稳化需要的差分次数。 在老师的指导下独立完成实验，得到正确的结果，并完成实验报告。 【实验准备知识】 随机时间序列简介 随机时间序列，指序列的每个数值都是从一个概率分布中随机得到的，即该时间序列是由某个随机过程生成的。如果我们能够描绘出它的随机特征并构造模型，将有利于我们对序列未来可能值的概率进行推断。 更一般地，我们可假定序列的每个数值都是从一组联合分布的随机变量获得。如果我们可数量化地确定序列的概率分布，就可以确定序列未来数值的概率。 然而，我们不可能完全确定时间序列的概率分布，但通常情况下可以构造一个简单的时间序列模型，以便解释它的随机性并用于预测目的。模型不必（一般也不会）与序列的过去实际行为完全一样，因为序列和模型都是随机的，只要模型能够刻画序列的随机特征即可。 平稳和非平稳时间序列 如果随机过程的随机特征不随时间变化，则过程是平稳的；相反，如果随机过程的特征随时间变化，则过程是非平稳的。如果一个过程是非平稳的，用一个简单的代数模型来反映时间序列的过去和未来通常十分困难。如果一个过程是平稳的，则可用具有确定系数的方程来将时间序列模型化，且方程的系数可以利用序列的过去数据估计得到。这有点类似于单方程回归模型，其中解释变给与被解释变量相关，在假定方程所描绘的结构关系随时间不变的前提下，估计出系数。如果结构关系随时间变化，就不能应用回归的模型技术来进行预测。 平稳过程的性质 任意随机时间序列的每个数值都可以认为是由一组联合分布的随机变量生成，联合概率分布函数假定为。类似地，一个未来的观测可以被认为是由条件概率分布函数生成。我们定义平稳过程为其联合分布和条件分布均为不随时间而变化的过程。即，如果序列是平稳的，则对任意的t，k和m，都有联合概率分布函数： （4.1） 且 （4.2） 如果序列是平稳的，则序列的数学期望是稳定的，即对于任意的t和m，总有；序列的方差是稳定的，即对于任意的t和m，总有；对于任意滞后k，序列的协方差是稳定的，即对于任意的t和m，总有。此时，序列的数学期望可由序列的样本均值估计；方差可由序列的样本方差估计。 白噪声过程——一个典型的平稳随机过程 白噪声（White Noise），是数理统计和经济计量中经常提到的一个概念，它是指这样的一个随机过程： （4.3） 其中是均值为0的独立同分布随机变量，即~ IID(0, )。 可知，对于任意的t和m，随机序列的数学期望；方差；由于随机变量独立同分布，协方差。因此，白噪声过程是一个典型的平稳随机过程。图4—1为一个~ IID(0, 1)的白噪声过程的序列图。 图4—1 一个白噪声过程的序列图 随机游走过程——一个典型的非平稳随机过程 随机游走（Random Walk），是由下式定义的一个随机过程： ，~ IID(0, ) （4.4） 可见，的每一次变化均来自于一个均值为零的独立同分布。易知，的数学期望；又由于~ IID(0, )，的方差 ，从这个迭代可以看出，方差可以无限大，因而无法定义。因此，随机游走过程是一个典型的非平稳随机过程。图4—2为一个，~ IID(0, 1)的随机游走过程的序列图。 图4—2 一个随机游走过程的序列图 齐次非平稳过程 我们在实际中遇到的时间序列可能只有极少数属于平稳序列。然而幸运的是，我们遇到的大多数非平稳时间序列（包括在经济、金融和商业中遇到的多数非平稳时间序列）有很好的特性，即可以通过一次或多次差分后成为平稳序列。 我们将这样的非平稳序列称作齐次随机过程。原序列变换为平稳序列所需要的差分次数称作齐次的阶数。因此，如果是一阶齐次的非平稳过程。则序列 （4.5） 就是平稳的。 如果是二阶齐次的非平稳过程。则序列 （4.6） 就是平稳的。 很明显，简单随机游走过程，~ IID(0, ) 就是一阶齐次的非平稳过程。而随机游走过程的—次差分序列 （4.8） 因为~ IID(0, ) ，显然是—个平稳过程，事实上就是一个白噪声过程，它的自相关函数为：且对于k0，。 刻画时间序列的自相关系数和偏自相关系数 自相关系数 自相关系数告诉我们在序列的邻近数据点之间存在多大程度的相关性，它可以部分地刻画随机过程的性质。我们定义滞后期为k的自相关系数为 （4.9） 对于平稳过程，方差是稳定的，所以可变为： （4.10） 分子恰是和的协方差，所以