应用时间序列分析笔记(3) | 您所在的位置:网站首页 › ar模型可逆吗 › 应用时间序列分析笔记(3) |
教材:《应用时间序列分析》人大版 《概率论与数理统计教程》茆诗松版 说明:这只是一个自学过程的记录,水平必然有限(不过我估计也没几个人看),同时内容的侧重于梳理和个人思考过程的展示,并不会把书上的推导过程打一遍,这样也意义不大,对于我认为重要的内容会多叙述一点,欢迎交流指正。 1.引入 上一期介绍wold分解定理时提到 其中AR模型是把随机部分简化,保留历史序列部分,那么对偶地,MA模型是将历史序列值简化,保留随机部分。 MA(q)模型: X_{t}=\mu+\epsilon_{t}+\Sigma_{i=1}^{q}b_{t}\epsilon_{t-i} 为了和教材上的形式一致,这里我们令 b_{t}=-\theta_{t} ,得到教材上的MA(q)模型: X_{t}=\mu+\epsilon_{t}-\Sigma_{i=1}^{q}\theta_{t}\epsilon_{t-i}(*) 其中 \epsilon_{t} 为0期望白噪声序列,为保证为q阶, b_{q}\ne0 2.均值&方差 对(*)两边求期望方差,可以得到: E(X_{t})=\mu Var(X_{t})=(1+\Sigma_{i=1}^{q}\theta_{i}^{2})\sigma^{2} ,其中 Var(\epsilon_{t})=\sigma^{2} 和AR模型不同,MA模型不具有异方差性 3.ACF 这里打起来太辛苦了,直接上图: 需要解释的是, 会出现截尾性是因为 \epsilon_{t} 是白噪声序列(可以查看应用时间序列分析笔记(1)里的white noise的定义),如果k>q的话就会出现 X_{t},X_{t-k} "交集为空"的情形,那么自然ACF为0这里的MA(q)作了中心化处理4.可逆性 之前我们提到:ACF与模型不是一一对应地问题: 教材P70给出地MA模型可逆性地定义则是: MA模型与其ACF一一对应,称该MA模型可逆可逆嘛,自然会想到算子,映射之类的的可逆性质,即需要我们在AR模型里做的一样,把MA模型写成算子的形式,先作中心化处理得到, X_{t}=\epsilon_{t}+\Sigma_{i=1}^{q}b_{t}\epsilon_{t-i} X_{t}=\Theta(B)\epsilon_{t} , \Theta(B)=1-\Sigma_{i=1}^{q}\theta_{i}B^{i} , B^{k}\epsilon_{t}=\epsilon_{t-k} 如果存在: I(B)=\Theta^{-1}(B) 那么中心化MA模型也可以写成: I(B)X_{t}=\epsilon_{t} 这样就和应用时间序列分析笔记(2)中提过的AR模型算子形式一致了,也就是说AR模型和MA模型是存在内在联系的。 借用我在运筹优化这门课程里学过的内容,我把 I(B)X_{t}=\epsilon_{t} 称为 X_{t}=\epsilon_{t}+\Sigma_{i=1}^{q}b_{t}\epsilon_{t-i} 的对偶模型,即: (MA(q))^{*}=AR(?) \epsilon_{t} 是白噪声序列, I(B)X_{t}=\epsilon_{t} ,那么得到: I(B)X_{t} 必然是收敛的,且沿用应用时间序列分析笔记(2)中的特征根理论思路,我们可以得到MA(q)可逆的条件是: I(B) 的特征根>1,即 \Theta(B) 的特征根 |
CopyRight 2018-2019 实验室设备网 版权所有 |