第三章节时间序列基本概念1资料.ppt

第二章 时间序列分析的基本概念 本章引入一些基本概念，如随机过程、自相关和偏自相关函数。 随之讨论平稳时间序列的一些概念，以及时间序列均值、方差、自相关函数和偏自相关函数的估计，最后介绍线性差分方差。 差分方程在线性时间序列的模型刻画中起着重要作用。 Contests 第一节 随机过程 一、随机过程和时间序列 二、时间序列的分布 三、时间序列的特征统计量 一、随机过程的概念 引： 时间序列不是无源之水。它是由相应随机过程产生的。只有从随机过程的高度认识了它的一般规律。对时间序列的研究才会有指导意义。对时间序列的认识才会更深刻。 事物变化的过程可以分成两类。一类是确定型过程，一类是非确定型过程。 确定型过程即可以用关于时间t的函数描述的过程。 例如，真空中的自由落体运动过程，行星的运动过程等。 非确定型过程即不能用一个（或几个）关于时间t的确定性函数描述的过程。换句话说，对同一事物的变化过程独立、重复地进行多次观测而得到的结果是不相同的。 例如：对河流水位的测量。其中每一时刻的水位值都是一个随机变量，如果以一年的水位纪录作为实验结果，便得到一个水位关于时间的函数xt。这个水位函数是预先不可确知的。只有通过测量才能得到。而在每年中同一时刻的水位纪录是不相同的。 随机过程： 由随机变量组成的一个有序序列称为随机过程，记为{x (s, t) , s?S , t?T }。其中S表示样本空间，T表示序数集。 对于每一个 t, t?T, x (·, t ) 是样本空间S中的一个随机变量。 对于每一个 s, s?S , x (s, ·) 是随机过程在序数集T中的一次实现。 随机过程简记为 {xt} 或 xt。随机过程也常简称为过程。 连续型随机过程：若T为一区间，则｛Xt｝为一连续型随机过程。 离散型随机过程：若T为离散集合，如T＝（0，1，2，……）或T＝（……，-2，-1，0，1，2，……），则｛Xt｝为离散型随机过程。 例如：某河流一年各时刻的水位值，{x1, x2, …, xT-1, xT,}，可以看作一个随机过程。每一年的水位纪录则是一个时间序列，{x11, x21, …, xT-11, xT1}。而在每年中同一时刻（如t = 2时）的水位纪录是不相同的。{ x21, x22, …, x2n,} 构成了x2取值的样本空间。 时间序列： 随机过程的一次实现称为时间序列，也用{xt }或xt表示。 时间序列中的元素称为观测值。{xt}既表示随机过程，也表示时间序列。 xt既表示随机过程的元素随即变量，也表示时间序列的元素观测值。 在不致引起混淆的情况下，为方便，xt 也直接表示随机过程和时间序列。 例2 ： 一天24小时从大桥通过的汽车数。 例如：要记录某市日电力消耗量，则每日的电力消耗量就是一个随机变量，于是得到一个日电力消耗量关于天数t的函数。而这些以年为单位的函数族构成了一个随机过程 {xt}, t = 1, 2, … 365。因为时间以天为单位，是离散的，所以这个随机过程是离散型随机过程。而一年的日电力消耗量的实际观测值序列就是一个时间序列。 在经济分析中常用的时间序列数据都是经济变量随机序列的一个实现。 二、时间序列的分布及其特征 1、时间序列的概率分布 一个时间序列是一个无限维随机向量，它的概率分布可以用它的有限维分布族来描述。 一个时间序列所有有限维分布函数的全体，称为该序列的有限维分布函数族。 例如： 设｛Xt｝为一随机过程，对每一t∈T（ ），Xt的分布函数为 即： 当任意给定t1，t2∈T 时，随机变量Xt1 、Xt2的联合分布函数为： 一般地，对于任意m∈N，t1，t2，……tm∈T，随机变量Xt1 ……Xtm的联合分布函数为： 如果时间序列的所有有限维分布都是正态分布，则称该时间序列为正态序列，又称高斯序列。 如果我们能确定出时间序列的概率分布，我们就可以对时间序列构造模型，并描述时间序列的全部随机特征。 但由于确定时间序列的分布函数一般不可能，人们更加注意使用时间序列的各种特征统计量的描述，如均值函数、协方差函数、自相关函数、偏自相关函数等，这些特征统计量往往能代表随机变量的主要特征。 三、时间序列的特征统计量 1.均值函数 第二节 平稳时间序列 一、两种不同的平稳性定义 二、平稳序列的自协方差和自相关函数 一、两种不同的平稳性定义 1、严平稳过程 设｛xt｝为一时间序列，m, τ为任意整数，若对于时间 t的任意m个值t1t2…tm，都有： 此定义表明，严平稳的概率分布与时间的平移无关。则称{Xt}为严平稳过程。 由于分布函数完整地描述了随机变量的统计特性，所以，这里要求平稳随机过程的所有的统计特性都不随时间的