自回归模型-建立线性时序模型的原理 动态性.pptVIP

3.2 自回归模型 建立线性时序模型的原理  ——动态性 动态性：就是指时间序列各观测值之间的相关性。 从系统的观点看：动态性即指系统的记忆性，也就是某一时刻进入系统的输入对系统后继行为的影响，图示如下： 一、自回归模型(Auto regressive model,AR） (一).一阶自回归模型，AR(1) 1.设{xt}为零均值的平稳过程，如果关于xt的合适模型为： 可见,AR(1)模型中，xt在t时刻值依赖于两部分， 一部分依赖于它的前一期的值xt-1； 另一部分是依赖于与xt-1不相关的部分at 2.可将AR(1)模型写成另一种形式： 3.随机游走模型 如果一个时间序列xt的合适的模型为如下的形式： 1.设{xt}为零均值的平稳过程，如果关于xt的合适模型为 2.AR(2)模型的等价形式 1.如果关于xt的合适模型为: 2. AR(p)模型的等价形式 * 返回本节首页 下一页 上一页 系统 输入 输出（响应） 例 （1）某人在某一天打了一针，如果当天的反应 是疼痛 ，而以后没有其它反应，那么系统 的输入、输出如下： 时间 t ：1 2 3 4 5 输入 at: 0 1 0 0 0 输出 xt：0 0 0 0 这种状况可用模型概括为： （2）如果此人在打针后当天没有什么感觉， 而第二天出现了红肿 ，那么系统的输入、 输出如下： 时间 t ：1 2 3 4 5 输入 at: 0 1 0 0 0 输出 xt：0 0 0 0 这种状况可用模型概括为： （3）如果当天的反应是疼痛 ，第二天出现了红肿 ，那么： 时间 t ：1 2 3 4 5 输入 at: 0 1 0 0 0 输出 xt：0 0 0 这种状况可用模型概括为： （4）如果打针以后各个时刻都存在相应的反 应，那么，关于该刺激的总的概括为： 上式中： 总称为记忆函数，其中 为at-j对xt 的影响 程度，输入与输出是由记忆函数联结起 来的。 由于系统具有记忆性，我们可以用过去的 数据预测未来。 其中：(1)at是白噪声序列（Eat=0,Var(at)=σ2, cov(at,at+k)=0 ,k≠0） (2)假定：E(xt,as)=0 (ts)， 那么我们就说Xt遵循一个一阶自回归或AR(1) 随机过程。 返回本节首页 下一页 上一页 通过这一种形式可以看出，AR(1)模型通过 消除xt中依赖于xt-1的部分，而使相关数据 转化成了独立数据。 其中：at为白噪声序列，那么就称该模型为随机游走模型 ，这样的时间序列称随机游走过程。 注意：随机游走过程是非平稳时间序列。 证明： ☆随机游走通常被比作一个醉汉的游走。 BAR 虽然随机游走过程是非平稳的，但是我们 看到，它的一阶差分却是平稳的： 有些研究表明，许多经济时间序列呈现出随机游走或至少有随机游走的成分，如股票价格，这些序列虽然是非平稳的，但它们的一阶(或高阶)差分却是平稳的。 Box—Jenkins就是利用差分这种数学工具来使非平稳序列转化为平稳序列的。 （二）二阶自回归模型，AR(2) 其中：(1)at是白噪声序列,(2)假定：E(xt,as)=0 (ts)，那么我们就说xt遵循一个二阶自回归或AR(2)随机过程。上述模型就是AR(2)模型。 通过等价形式可以看出，AR(2)模型通过 将xt中依赖于xt-1、xt-2的部分剔除掉，而使数据转化成了独立数据at。 （三）一般自回归模型，AR(p) 那么，就称xt满足p阶自回归模型，记作AR(p)。（假设条件同前） * * *