时间序列分析部分讲义.docVIP

时间序列分析（J. D. Ham订ton） 前言:3.平稳ARMA过程（p49-78）, 谱分析（P180-202）, 11.向量自回归（P345-409）, 21.异方差时间序列模型（P799-823）. 3.平稳ARMA过程 3.0概述（认识论，方法论,历史观，发展观） 什么是”回归模型” ? 什么是”自回归模型” ? 它们有什么联系? 为什么用”回归”一词？ 它们的推广模型是什么? 它们的应用背景是什么? *考虑”父-子身高的关系” X——父亲的身高， Y—儿子的身高， 它们有关系吗？有什么样的关系呢？ 不是确定的关系！又不是没有关系！ 在同族中抽取n对父-子的身高，即有n对数据: (Xb Yi), (X2, Y2),…,(Xn, Yn). Yk ~ a + bXk, lkn. Yk = a + bXk + ek, 1*9. (0. 1) *此为一元线性回归模型. eL-个体差异，其他因素，等等. *如果 如果能记录到一个父系的长子身高序列，即 XbX2,-,Xn ,显然(Xb X2) XbX2,-,Xn ,显然 是(n-l)对父一子身高数据，与(Xk,Yk)相比，这里的 Yk 二 Xk+i, k=l, 2, —, n-l. 依同样论述有 Xk +i — 3 + bXk + ek、 lWk^n. (0. 2) *此为一元线性自回归模型(自变元Yk是因变元Xk的延迟) * 回归J英文翻译jRegressionj(0?2), 具体说来如下： pi一男人平均身高.由(0. 2)得 Xk + -|i = a + bXk + ek-y (注意 |i=(bT)卩+1屮) -a +(b~l) |i + b(Xk -|i)+ ek. Wk= (Xk-3——第k代长子身高与平均身高之差， c二 a +(b-l)g, 于是有 (0. 3)Wk+i 二 c + bWk + ek (0. 3) 特别人们发现：0〈b〈l?它表明: 平均说来，当父亲身高超过平均身高时, 其子身高也会超过平均身高， 但是比父亲身高更靠近平均身高. 有回归平均身高的趋向！ 稳定系统！ *回归模型的推广:(线性模型) *增加自变元个数: 比如，儿子身高不仅与父亲还与母亲，甚至于祖父母 有关，于是(0.1)式应推广为： Yk = a + biXik+???+ bpXpk +ek, lk9? (0.4) *此为P元线性回归模型. *向非线性推广： 仍以父-子身高的关系为例，它们的真实关系应是比 (0.1)式更一般的形式: Yk = (p (Xk) + ek, 1匕? (0. 5) (0. 4)式更一般的形式： Yk 二 cp(Xik, Xpk)+ ek, l^n?(0. 6)近年来 又引出了比(0. 6)式更广的模型： Yk =p(Xik, ???, Xpk)+s (Xik, ???, Xpk)ek, lkn?(0. 7) *此为异方差回归模型. (0. 7)式的更一般的形式： Yk 二屮(Xik, ???, Xpk ;ek), lkn? (0. 8) 模型越复杂，越近似真实情况，也膨隹统计分析. *应用背景:非常广泛!主要用于预报,控制,检测,管理 模型的获得方法有两类. 3?］期望,平稳性，遍历性： 确切说，是对(0. 1)至(0. 8)式中｛ek｝的最起码的假定, 根据这些假定就可以引出随机过程和各种模型概念，用它 们近似描述｛$｝(本来是说不清的)?而且，对这些起码的假 定，也只是以最直观的方式，而非严格的概率论观点，加 以介绍. *期望和随机过程 *随机过程:｛X (t) ;-ootoo｝,其中X (t)是随机变量. *随机序列:｛Xkik—, -1,0,1,-｝,其中Xk是随机变量. 特别当Xk二X (kh)时,序列｛XJ是过程｛X (t)｝的等间隔采样序 列. 回忆随机变量X和它的样本的定义，我们有： *样本序列:｛…,x-1, Xo, X1, ???｝是序歹lJ｛Xk｝的一个样本序列, 又称为一个实现，又称为一个观测序列,等等. 请注意：随机变量X的一个样本,就是一个数； 随机向量X的一个样本,就是一个向量数； 随机序列｛Xk｝的一个样本 是一个无穷数列； 在实际应用中，我们无法记录无穷数列，从而在讨论随机序 列｛Xk｝的样本时，只能考虑一个样本的有限部分，比如 ｛xb x2, xn｝是序列｛XJ的一段观测值序列. 在理论讨论时，为了方便又不得不涉及无穷数列.这些都是 学习和掌握时间序列分析时，首先要认清的起点. **序列的分布:回忆随机变量X的定义便知，它的特征被 它的概率分布所确定.同样，随机序列也被它的概率分布 所确定?不过，随机序列的分布是无穷个随机变量的概率分 布，其复杂性可以想得到.这里为了避免涉及太深的概 率论概念，我们仅考虑最简单的特疏情