【时间序列分析】MA模型公式总结
MA
Time Series Analysis
author:zoxiii
MA
- 0-模型
- MA(q)
- 中心化MA(q)
- 引入延迟算子B
- 1-均值
- 2-方差
- 3-延迟k自协方差函数
- 4-延迟k自相关系数
- MA(1)
- MA(2)
- MA(q)
- 5-延迟k偏自相关系数
- 6-验证模型可逆性
- 7-逆函数递推公式
【参考文献】王燕. 应用时间序列分析-第5版[M]. 中国人民大学出版社, 2019.
0-模型
MA(q)
{xt=μ+εt−θ1εt−1−...−θqεt−qθq≠0E(εt)=0,Var(εt)=σε2,E(εtεs)=0,s≠t\begin{cases} x_t=\mu+\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q} \\ \theta_q\ne 0 \\ E(\varepsilon_t)=0,Var(\varepsilon_t)=\sigma_\varepsilon^2,E(\varepsilon_t\varepsilon_s)=0,s \ne t \end{cases} ⎩⎪⎨⎪⎧xt=μ+εt−θ1εt−1−...−θqεt−qθq=0E(εt)=0,Var(εt)=σε2,E(εtεs)=0,s=t
中心化MA(q)
当μ=0\mu=0μ=0时
xt=εt−θ1εt−1−...−θqεt−qx_t=\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q} xt=εt−θ1εt−1−...−θqεt−q
引入延迟算子B
xt=εt−θ1εt−1−...−θqεt−q=εt−θ1Bεt−...−θqBqεt=Θ(B)εtx_t=\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q} \\ ~=\varepsilon_t-\theta_1B\varepsilon_{t}-...-\theta_qB^q\varepsilon_{t} \\ =\Theta(B)\varepsilon_t~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ xt=εt−θ1εt−1−...−θqεt−q =εt−θ1Bεt−...−θqBqεt=Θ(B)εt
得到q阶移动平均系数多项式:
Θ(B)=1−θ1B−θ2B2−...−θqBq\Theta(B)=1-\theta_1B-\theta_2B^2-...-\theta_qB^q Θ(B)=1−θ1B−θ2B2−...−θqBq
1-均值
E(xt)=μE(x_t)=\mu E(xt)=μ
2-方差
Var(xt)=(1+θ12+...+θq2)σε2Var(x_t)=(1+\theta_1^2+...+\theta_q^2)\sigma_\varepsilon^2 Var(xt)=(1+θ12+...+θq2)σε2
3-延迟k自协方差函数
- MA(q)自协方差函数只与滞后阶数k有关,且q阶截尾
γk={(1+θ12+...+θq2)σε2,k=0(−θk+∑i=1q−kθiθk+i)σε2,1≤k≤q0,k>q\gamma_k=\begin{cases} (1+\theta_1^2+...+\theta_q^2)\sigma_\varepsilon^2,~~~~~~~~~k=0 \\ (-\theta_k+\sum_{i=1}^{q-k}{\theta_i\theta_{k+i}})\sigma_\varepsilon^2,~~~1 \le k \le q \\ 0,~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~k \gt q \end{cases} γk=⎩⎪⎨⎪⎧(1+θ12+...+θq2)σε2, k=0(−θk+∑i=1q−kθiθk+i)σε2, 1≤k≤q0, k>q
4-延迟k自相关系数
MA(1)
ρk=γkγ0={1,k=0−θ11+θ12,k=10,k≥2\rho_k=\frac{\gamma_k}{\gamma_0}=\begin{cases} 1,~~~~~~~~k=0 \\ \frac{-\theta_1}{1+\theta_1^2},~~~k=1 \\ 0,~~~~~~~~k \ge 2 \end{cases} ρk=γ0γk=⎩⎪⎨⎪⎧1, k=01+θ12−θ1, k=10, k≥2
MA(2)
ρk=γkγ0={1,k=0−θk+θ1θ21+θ12+θ22,k=1−θ21+θ12+θ22,k=20,k≥3\rho_k=\frac{\gamma_k}{\gamma_0}=\begin{cases} 1,~~~~~~~~~~~~~~k=0 \\ \frac{-\theta_k+\theta_1\theta_2}{1+\theta_1^2+\theta_2^2},~~~k=1 \\ \frac{-\theta_2}{1+\theta_1^2+\theta_2^2},~~~~k=2 \\ 0,~~~~~~~~~~~~~~k \ge 3 \end{cases} ρk=γ0γk=⎩⎪⎪⎪⎪⎨⎪⎪⎪⎪⎧1, k=01+θ12+θ22−θk+θ1θ2, k=11+θ12+θ22−θ2, k=20, k≥3
MA(q)
ρk=γkγ0={1,k=0−θk+∑i=1q−kθiθk+i1+θ12+...+θq2,1≤k≤q0,k>q\rho_k=\frac{\gamma_k}{\gamma_0}=\begin{cases} 1,~~~~~~~~~~~~~~~~~~~~~~~k=0 \\ \frac{-\theta_k+\sum_{i=1}^{q-k}{\theta_i\theta_{k+i}}}{1+\theta_1^2+...+\theta_q^2},~~~1 \le k \le q \\ 0,~~~~~~~~~~~~~~~~~~~~~~~k \gt q \end{cases} ρk=γ0γk=⎩⎪⎪⎨⎪⎪⎧1, k=01+θ12+...+θq2−θk+∑i=1q−kθiθk+i, 1≤k≤q0, k>q
5-延迟k偏自相关系数
- MA(q)模型的延迟k偏自相关系数ϕkk\phi_{kk}ϕkk拖尾
ϕkk\phi_{kk} ϕkk
6-验证模型可逆性
已知中心化MA(q)模型为xt=εt−θ1εt−1−...−θqεt−qx_t=\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q}xt=εt−θ1εt−1−...−θqεt−q
∴xt=εt−θ1εt−1−...−θqεt−q=εt−θ1Bεt−...−θqBqεt=Θ(B)εtx_t=\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q}\\ ~=\varepsilon_t-\theta_1B\varepsilon_{t}-...-\theta_qB^q\varepsilon_{t}\\ =\Theta(B)\varepsilon_t~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ xt=εt−θ1εt−1−...−θqεt−q =εt−θ1Bεt−...−θqBqεt=Θ(B)εt
∴得到移动平均系数多项式Θ(B)=1−θ1B−θ2B2−...−θqBq\Theta(B)=1-\theta_1B-\theta_2B^2-...-\theta_qB^qΘ(B)=1−θ1B−θ2B2−...−θqBq
设Θ(B)=0\Theta(B)=0Θ(B)=0的根为λ\lambdaλ,
∴1−θ1λ−θ2λ2−...−θqλq=01-\theta_1\lambda-\theta_2\lambda^2-...-\theta_q\lambda^q=01−θ1λ−θ2λ2−...−θqλq=0
求解得到λ1,λ2,...\lambda_1,\lambda_2,...λ1,λ2,...
当满足∣λ1∣>1且∣λ2∣>1且...|\lambda_1|\gt 1且|\lambda_2|\gt 1且...∣λ1∣>1且∣λ2∣>1且...时,MA(q)模型可逆。
7-逆函数递推公式
逆函数IjI_jIj
如果MA(q)xt=εt−θ1εt−1−...−θqεt−qx_t=\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q}xt=εt−θ1εt−1−...−θqεt−q可逆,有
{Θ(B)εt=xt,[1]εt=I(B)xt,[2]\begin{cases} \Theta(B)\varepsilon_t=x_t,[1] \\ \varepsilon_t=I(B)x_t,[2] \end{cases} {Θ(B)εt=xt,[1]εt=I(B)xt,[2]
其中
Θ(B)=1−θ1B−θ2B2−...−θqBq=1−∑i=1qθiBi\Theta(B)=1-\theta_1B-\theta_2B^2-...-\theta_qB^q=1-\sum_{i=1}^{q}{\theta_iB^i} Θ(B)=1−θ1B−θ2B2−...−θqBq=1−i=1∑qθiBi
I(B)=I1+I1B+I2B2+...=∑i=0∞IiBiI(B)=I_1+I_1B+I_2B^2+...=\sum_{i=0}^{\infty}{I_iB^i} I(B)=I1+I1B+I2B2+...=i=0∑∞IiBi
将[2]式代入[1]式得到Θ(B)I(B)xt=xt\Theta(B)I(B)x_t=x_tΘ(B)I(B)xt=xt,按照待定系数法求得
I0=1Il=∑i=1lθi′Il−iI_0=1 \\ I_l=\sum_{i=1}^{l}{\theta_i'I_{l-i}} I0=1Il=i=1∑lθi′Il−i
其中
l≥1θi′={θi,i≤q0,i>ql \ge 1 \\ \theta_i'=\begin{cases} \theta_i,~~~i \le q \\ 0,~~~~i \gt q \end{cases} l≥1θi′={θi, i≤q0, i>q
【时间序列分析】MA模型公式总结相关推荐
- 数据分析 时间序列分析 MA模型
一.概念 具有如下结构的模型称为q阶移动平均模型(Moving Average Model of order q;MA Model of order q),记为MA(q)MA(q)MA(q):xt=μ ...
- arima 数据预处理_时间序列分析|ARIMA模型分步骤解析及R中实践
你是否想要做时间序列分析,但却不知道代码怎么写? 你是否不清楚时间序列分析各种模型该在什么情况下使用? 本文将针对以上两个问题,带你入门时间序列分析~ 等等! 不止'入门' 读完这篇,你立即就能在R中 ...
- covariance matrix r语言_时间序列分析|ARIMAX模型分步骤详解和R中实践
这是关于时间序列的第N篇文章,本文将介绍ARIMAX模型,简单来说就是在ARIMA的基础上增加一个外生变量.ARIMAX和ARIMA相比在理论上没有太多新的内容,所以本文直接介绍在R里怎么一步一步跑A ...
- 时间序列分析ARMA模型原理及Python statsmodels实践(上)
目录 1. 时间序列及相关基本概念 1.1. 时间序列分解 1.2. 时间平稳序列 1.3. 自相关与自相关函数(ACF) 1.4. 白噪声及Ljung-Box检验 1.4.1. 白噪声 1.4.2. ...
- 时间序列分析-ARIMA模型
提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 时间序列分析-ARIMA模型 概述 一.时间序列平稳性 1.严平稳 2.弱平稳 二.建模步骤 1.平稳性检验 2.人工p 和 q 阶数 ...
- 数学建模--时间序列分析、模型预测
学习自:b站 清风数学建模 第1部分_时间序列分析的概念与时间序列分解模型 时间序列 时间序列的基本概念 区分时期和时点序列 时期序列适用于灰色预测模型 时间序列分解 时间要小于1年,才能进行时间序列 ...
- python arima模型_时间序列分析 ARIMA模型 Python(2)
最近做了一个时间序列分析的项目.时间序列分析不同于以前的项目--看一下相关的库怎么用,就可以快速上线应用.它是非常需要你的基础知识的,Hamilton关于<时间序列分析>方面的知识,写了厚 ...
- python时间序列分析航空旅人_时间序列分析-ARIMA模型(python)
时间序列概念:在生产和科学研究中,对某一个或者一组变量 进行观察测量,将在一系列时刻 所得到的离散数字组成的序列集合,称之为时间序列.时间序列分析是根据系统观察得到的时间序列数据,通过曲线拟合和参数估 ...
- 季节性时间序列分析-SARIMAX模型的python实现
0 SARIMAX模型时间序列分析步骤 1. 用pandas处理时序数据 2. 检验时序数据的平稳性 3. 将时序数据平稳化 4. 确定order 的 p.d.q值 5. 确定season_order ...
最新文章
- 脑细胞膜等效神经网路训练代码
- 每日一道算法题 - LongestWord(easy-1)
- 修改IIS默认的30M
- APP启动引导页的制作,用ViewPager实现翻页动画
- MapReduce-流量统计求和-排序-Mapper和Reducer编写
- selenium python下载_使用Selenium、Chrome和Python下载PDF
- 【笔记】具有O-DU和O-RU的eNB / gNB架构
- CentOS之安装docker
- Selenium WebDriver-通过键盘事件操作浏览器
- 2021-04-25
- 【人工智能】动物、植物、车型、菜品、LOGO识别示例代码
- 【设计模式】职责链模式,MySQL+Tomcat+JVM,看完还怕面试官
- 合并二叉树进行期权定价
- supermap javascript 点聚合
- 在企业中应用的区块链应能够扩容以满足业务条线的需求
- 《宝塔面板教程6》:如何修改用户名和密码
- Spring Doc OpenAPI3.0 抛弃SpringFox拥抱SpringDoc
- java播放mp3格式音频文件
- Matlab神经网络语音增强,基于BP神经网络的语音增强研究
- C语言预处理、宏定义
热门文章
- 【100%通过率】华为OD机试真题 C++ 实现【最多颜色的车辆】【2022.11 Q4新题】
- github私有仓库搭建
- GitHub创建仓库并上传代码
- Springboot之Jasypt配置文件加密/解密
- 修改html不显示效果图,html图片不显示怎么办
- CPU圓形風扇底座怎麼拆
- 自然语言理解,什么是“理解”?
- django urls路由配置
- 00020.07 集合Map的接口和它的实现类们(包含HashMap、Hashtable、TreeMap、LinkedHashMapProperties以及实现Comparable接口模板)
- 红黑树理解(五)右旋