ar2模型的自协方差函数推导.docx

ar2模型的自协方差函数推导

AR(2)模型的自协方差函数推导主要基于Yule-Walker（Y-W）方程的推论。

一、AR(2)模型的定义

AR(2)模型是自回归模型的一种，其形式为：

Xt=a1Xt?1+a2Xt?2+εt

其中，Xt是时间序列在时刻t的值，a1和a2是自回归系数，εt是零均值、方差为σ2的白噪声序列。

二、自协方差函数的定义

自协方差函数γk描述的是时间序列在两个不同时刻t和t-k的取值之间的二阶混合中心矩，即：

γk=EXtXt?k?EXtEXt?k

由于EXt=0（因为时间序列是中心化的），所以上式可以简化为：

γk=EXtXt?k

三、Yule-Walker方程的推论

对于AR(2)模型，Yule-Walker方程可以给出自协方差函数γk的递推关系。具体地，我们有：

γ0?a1γ1?a2γ2=σ2

γk?a1γk?1?a2γk?2=0,k≥1

四、递推关系的求解

为了求解γk，我们可以将上述递推关系式看作是一个关于γk的线性差分方程。通过求解这个方程，我们可以得到γk的通解形式。

具体来说，我们可以将γk表示为两个待定常数C1和C2的线性组合，并结合Yule-Walker方程在k=0和k=1时的特殊情况，来求解C1和C2。

例如，对于AR(2)模型Xt?0.7Xt?1+0.1Xt?2=εt，我们可以得到以下递推关系：

{γ0?0.7γ1+0.1γ2=σ2γk?0.7γk?1+0.1γk?2=0,k≥1

通过求解这个方程组，我们可以得到γk的表达式为：

γk=[20081×(12)|k|?125162×(15)|k|]σ2,k∈Z

五、其他推导方法

除了上述方法外，还可以通过级数展开或先算自相关系数再算γ0等方法来推导AR(2)模型的自协方差函数。但这些方法在计算上可能相对复杂一些，并且最终得到的结果应该与上述方法一致。

AR(2)模型的自协方差函数可以通过Yule-Walker方程的推论来推导，并得到一个关于k的通解表达式。这个表达式描述了时间序列在不同时刻取值之间的二阶相关性。