时间序列分析的基本概念.pptxVIP

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、随机过程的概念;;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???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;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;3.自协方差函数;第二节 平稳时间序列;一、两种不同的平稳性定义;;2、宽平稳过程 若时间序列{Xt }存在有穷的二阶矩，且该序列满足如下条件： 此定义表明，宽平稳过程各随机变量的均值为常数，且序列中任意两个变量的协方差仅与时间间隔(t-s)有关。 ;3、严平稳过程与宽平稳过程的联系和区别 区别： （1）严平稳序列的概率分布随时间的平移而不变，宽平稳序列的均值和自协方差随时间的平移而不变。 （2）一个严平稳序列，不一定是宽平稳序列；一个宽平稳序列也不一定是严平稳序列。 例如：服从柯西分布的严平稳序列就不是宽平稳序列，因为它不存在一、二阶矩。 ;联系： （1）若一个序列为严平稳序列，且有有穷的二阶矩，那么该序列也必为宽平稳序列。但反过来一般不成立。 （2）若时间序列为正态序列（即它的任何有限维分布都是正态分布），那么该序列为严平稳序列和宽平稳序列是相互等价的。 注：由于在实际中严平稳序列的条件非常难以满足，我们研究的通常是宽平稳序列。 在以后讨论中，若不作特别说明，平稳序列即指宽平稳序列。;二、平稳序列的自协方差和自相关函数;2、平稳序列自协方差和自相关函数的性质 1、规范性 2、对称性 3、非负定性 4、非惟一性：一个平稳时间序列一定惟一决定了它的自相关函数，但一个自相关函数未必惟一对应着一个平稳序列。 ;三、白噪声序列和独立同分布序列;;2.独立同分布（iid）序列 定义： 如果时间序列{Xt}中的随机变量Xt（t=0, ±1, ±2 ……）是相互独立的随机变量，且Xt具有相同的分布（当Xt有一阶矩时，往往还假定EXt=0）,则称{Xt}为独立同分布序列。 可见独立同分布序列{Xt}是严平稳序列。 白噪声序列与独立同分布序列： 一般来说，白噪声序列与独立同分布序列是不同的两种序列 但是当白噪声序列为正态序列时，它也是独立同分布序列，此时我们称其为正态白噪声序列;四、线性平稳序列;3.时间序列的线性与延迟联合运算 yt=a0xt+a1xt-1