第三章-平稳时间序列模型.docVIP

PAGE PAGE 23 第三章 平稳性时间序列模型 由于可得到的观测值是有限的，所以我们通常构建有限价的参数模型去描述一个时间序列过程。本章将引入自回归移动平均（ARMA）模型，其中包括作为特例的自回归（AR）模型和移动平均（MA）模型。ARMA模型包含了能描述多种时间序列的一类简约的时间序列过程。在详细讨论每个过程的特征 [ 根据自相关函数（ACF）和偏自相关函数（PACF）] 后，本章将以实例来进行说明。 3.1 自回归过程 在2.6 节中，我们提到在时间序列过程的自回归表达式中，只要有限个权数π非0，即以及，则该时间序列过程就被称作p阶自回归过程或模型，记作AR（p），表示为 （3.1.1） 或 （3.1.2） 其中， 因为，所以上述过程总是可逆的。为了满足平稳性特征，多项式的根必须在单位圆之外。自回归过程可用来描述时间序列的当前值由其滞后期加上随机冲击所决定的情形。Yule（1927）曾用AR过程描述了太阳系黑字数变化现象和单摆的特征。在进行了深入讨论之前，我们先来考虑以下简单情形。 3.1.1 一阶自回归AR（1）过程 一阶自回归过程AR（1）可以表示为 （3.1.3a） 或 （3.1.3b） 如前面所述，该过程总是可逆的。为了满足平稳性特征，的根必须在单位圆之外，即应有。因为在给定的条件下，的分布与在给定条件下的分布完全一致，所以AR（1）过程有时也被称作马尔科夫过程。 AR（1）过程的ACF自协方差可由下式得到： （3.1.4） 自相关函数为 （3.1.5） 其中。因此，当且该过程平稳时，ACF将呈指数形式衰减，具体有两种衰减形式，这取决于的符号：如果时，所有的自相关函数值得符号为正；如果时，自相关函数值的符号将呈现出正负相交替的情形，并且第一个值为负值。如图3-1所示，上述两种情形中自相关函数值的大小均呈指数衰减。 AR（1）过程的PACF 由式（2.3.19）可知，AR（1）过程的PACF为 （3.1.6） 如图3-1所示，AR（1）过程的PACF依赖的符号在滞后1期出现或正或负的峰值，随后截尾。 例 3-1 为了举例说明，对AR（1）过程（其中）模拟得到一个包含250个值的序列，其中是服从独立（0,1）的白噪声序列。图3-2给出了该模拟序列的时序图，曲线相对较平滑。 表3-1和图3-3给出了该模拟序列的样本ACF和样本PACF。显然，是指数衰减。由于没有一个在滞后1期以外的样本PACF值是显著的，更重要的是这些不显著的没有任何规律，所以在滞后1期后截尾。 P32 表3-1 P32 图3-1 相应地，样本ACF的标准差可由下式计算 （3.1.7） 样本PACF的标准差为 （3.1.8） 它们是大多数时间序列软件的标准输出。 P33 图3-2 P33 图3-3 例3-2 模拟AR（1）过程（其中）模拟得到一个包含250个值的序列，其中是高斯白噪声。图3-4给出了该模拟序列的时序图，曲线呈锯齿状。 P34 图3-4 表3-2和图3-5给出了该模拟序列的样本ACF和样本PACF。可以看出样本ACF是按正负交错的形式衰减的，且第一个值为负值，也可以看到样本PACF的截尾特征。因为，所以也是负的。即便只有前两个或三个样本自相关系数是显著的，整个图也清晰地显示了具有负值得AR（1）模型的特征。 P34 表3-2 P35 图3-5 在讨论平稳自回归过程时，假定自回归多项式的零点在单位圆之外。在AR（1）过程[式（3.1.3a）或者（3.1.3b）]中也就意味着要求。因此，当时，该过程被认为是非平稳的，这是因为实际上还假定了该过程可以被表示为当前和过去的白噪声变量的线性组合。如果该过程可以被表示为当前和未来随机冲击的线性组合，那么便存在一个AR（1）过程，其参数的绝对值大于1。按照2.1节通常意义下的定义，该过程仍满足平稳性。为此，考虑过程： （3.1.9） 其中，是均值为0，方差为的白噪声序列。可以直接验证：式（3.1.9）中的过程在2.1节的意义下（其中）的确是平稳的。现在，考虑过程式（3.1.9）在