时间序列模型matlab_平稳时间序列分析01---AR模型
引言
根据Wold分解定理,任意一个离散平稳时间序列都可以分解为一个确定性平稳序列和一个随机性平稳序列之和。且确定性序列可以表达为历史序列值的线性函数,而随机性序列可以表达为历史新息(历史纯随机波动)的线性组合,即
上式在统计上被称为自回归移动平均模型 (auto-regression moving average), 简称为 ARMA模型。
Wold分解定理保证了平稳序列一定可以用某个 ARMA 模型等价表达, 所以 ARMA模型是目前最常用的平稳序列拟合与预测模型。
ARMA 模型实际上是一个模型族, 它又可细分为 AR 模型, MA 模型和 ARMA 模型三大类。
AR模型的定义
具有如下结构的模型称为p阶自回归模型,简记为
特别当
令
,称
自回归系数多项式
引进延迟算子,中心化
称下式为p阶自回归系数多项式
延迟算子
延迟算子类似于一个时间指针,当前序列值乘以一个延迟算子,就相当于把当前序列值的时间向过去拨了一个时刻
记B为延迟算子,有
所以
延迟算子的性质
AR模型平稳性判别
- 判别原因
要拟合一个平稳序列的发展, 用来拟合的模型显然也应该是平稳的。AR 模型是常用的平稳序列的拟合模型之一, 但并非所有的 AR 模型都是平稳的。
- 判别方法
特征根判别法
平稳域判别法
例1
考察如下四个模型的平稳性
平稳特征
非平稳特征
特征根判别
p阶自回归序列平稳,要求p个非零特征根都在单位圆内,即
在引入延迟算子之后, 我们还可以推导出跟特征根判别等价的性质: p阶自回归序列平稳的条件是自回归系数多项式的p 个根都在单位圆外
平稳域判别
对于一个
如果加上了平稳性限制,参数向量就只能取维欧氏空间的一个子集,使得特征根都在单位圆内的系数集合
对于低阶自回归模型用平稳域的方法判别模型的平稳性通常更为简便
AR(1)模型平稳条件
方程结构
特征根
平稳域
AR(2)模型的平稳条件
方程结构
特征根
平稳域
AR(2)的平稳域
例1续
分别用特征根判别法和平稳域判别法检验例3-1中四个 AR 模型的平稳性
平稳性判别
平稳AR模型的统计性质——均值
如果AR(p)模型满足平稳性条件,则有
根据平稳序列均值为常数,且
推导出
平稳AR模型的统计性质——方差
要得到平稳 AR(p)模型的方差, 需要借助 Green函数的帮助
Green函数的定义
假设
这个常数序列
基于Green函数,可以求出AR(p)模型的方差为
Green函数的递推公式
原理
方法:待定系数法
例2
求平稳 AR(1) 模型
平稳AR(1)模型的Green函数递推公式为
平稳AR(1)模型的方差为
平稳AR模型的统计性质——协方差函数
在平稳AR(p)模型两边同乘
根据
得协方差函数的递推公式
例3
求平稳AR(1)模型的协方差
递推公式
因为平稳AR(1)模型的方差为
所以协方差函数的递推公式为
例4
求平稳AR(2)模型的协方差
平稳AR(2)模型的协方差函数递推公式为
平稳AR模型的统计性质——自相关系数
自相关系数的定义
平稳AR(P)模型的自相关系数递推公式
常用AR模型自相关系数递推公式
AR(1)模型
AR(2)模型
AR模型自相关系数的性质
AR模型的自相关系数的表达式实际上是一个齐次差分方程,它的通解形式为
根据自相关系数的通解形式,可以判断AR模型的自相关系数具有如下特征
呈指数衰减
拖尾性
例5
考察如下AR模型的自相关图
图示解释
从上图中可以看到, 这四个平稳 AR 模型, 不论它们是 AR(1)模型还是 AR(2)模型, 不论它们的特征根是实根还是复根, 是正根还是负根, 它们的自相关系数都呈现出拖尾性和呈指数衰减到零值附近的性质。
但由于特征根不同, 它们的自相关系数衰减的方式也不一样
- 有的是按负指数单调衰减 (如模型(1))
- 有的是正负相间地衰减 (如模型(2))
- 有的呈现出类似于周期性的余弦衰减, 即具有 “伪周期” 特征 (如模型(3))
- 有的是不规则衰减(如模型(4))
偏自相关系数(partial autocorrelation function,PACF )
时间序列过程的偏自相关函数就是时间序列在两个时间随机变量之间,排除了其间各个时间随机变量影响的相关系数。
偏自相关系数的定义
对于平稳
偏自相关系数的计算
基于Yule-Walker方程组计算偏自相关系数
在方程
等号两边同时乘以
取前k个方程构成的方程组即Yule-Walker方程组
解Yule-Walker方程组可以得到参数
AR(1)模型偏自相关系数的计算
AR(1)模型
Jule-Walker方程
偏自相关系数的解
AR(2)模型偏自相关系数的计算
基于矩阵结构计算偏自相关系数
证明AR(p)模型偏自相关系数p阶截尾
所谓p 阶截尾, 是指
例5续
求如下AR模型的偏自相关系数,并考察它们的偏自相关图特征
1、已知AR(1)模型为:
解:
2、已知某AR(2)模型为:
解:
3、已知某AR(2)模型为:
解:
4、已知AR(2)序列为:
解:
5、证明对任意常数c,如下定义的AR(3)序列-定是非平稳序列:
解:
6、对于AR(1)模型,
判断如下命题是否正确
时间序列模型matlab_平稳时间序列分析01---AR模型相关推荐
- 时间序列分析之AR模型、MA模型和ARMA模型(二)
此学习笔记来自于王燕老师编著的<时间序列分析-基于R> 对一个时间序列预处理后检验出该序列为平稳时间序列说明该模型有提取信息的价值,就要进行下一步的模型建立来拟合该模型然后做出预测.下面介 ...
- 【时间序列分析】AR模型公式总结
AR Time Series Analysis author:zoxiii AR 0-模型 AR(q) 中心化AR(q) 引入延迟算子B 1-均值 2-Green函数 Green推导公式过程 3-方差 ...
- [时间序列分析][4]--AR模型,MA模型,ARMA模型介绍
自相关和偏自相关的两个函数代码 由于后面会经常画一组序列自相关和偏自相关的图像,所以就把自己写的这个两个画图的函数的代码贴上,供大家参考. 首先是自相关的函数 输入的三个参数分别是{数据,滞后数,置信 ...
- 时间序列与R语言应用(part4)--自回归AR模型及其平稳性条件
学习笔记 参考书目:<计量经济学>.<时间序列分析及应用R语言>.<计量经济学基础>.<计量经济学模型与R语言应用> 文章目录 为什么平稳如此重要 自回 ...
- SPSS分析技术:时间序列分析的ARIMA模型;考虑各种促销因素的服装销售额预测
基础准备 学习积累的过程,是量变到质变的过程.草堂君在前面介绍了时间序列分析的多篇文章,这些文章的安排都是按照循序渐进学习时间序列分析的过程来安排的,大家可以点击下方的链接回顾: 数据分析技术:时间序 ...
- R语言时间序列分析之ARIMA模型预测
R语言时间序列分析之ARIMA模型预测 今天学习ARIMA预测时间序列. 指数平滑法对于预测来说是非常有帮助的,而且它对时间序列上面连续的值之间相关性没有要求.但是,如果你想使用指数平滑法计算出预测区 ...
- 2.3-非平稳时间序列分析
时间序列分析 第三节 非平稳时间序列分析 一般,我们得到的序列都是非平稳序列. 这便要求我们对其进行处理. 非平稳序列变为平稳序列(利用差分运算) ARIMA模型的拟合 3.1 非平稳序列变为平稳序列 ...
- 金融时间序列分析: 10. ARMA模型实例(R,Python)
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- 数据分析技术:时间序列分析的AR/MA/ARMA/ARIMA模型体系
基础准备 前面草堂君已经按照时间序列分析的教学顺序推送了以下文章,大家可以直接点击下方文章名称阅读回顾: 数据分析技术:时间序列分析:时间是把杀猪刀: SPSS分析技术:时间序列描述:磨刀不误砍柴工, ...
最新文章
- leetcode算法题--爬楼梯
- php阿里的同步工具canal,基于阿里的Canal实现数据同步
- mysql %和正则_mysql 正则模式和like模糊查询
- TIOBE 8 月榜单:C 力压 Java 夺得第一,Java掉了1.6 个点
- 软件测试个人心得总结
- 把服务器文件,如何把文件放在服务器
- 捷联惯导系统学习7.1(捷联惯导粗对准 )
- 仓库货位 mysql_Max(TM)财务进销存管理系统
- android screenshot流程,APP中,Screenshot的设计要领和各发布渠道的要求
- 蓝桥杯:座次问题(枚举法 回溯) java
- python如何print日语_Python,如何打印日文、韩文、中文字符串
- 等额本金贷款和等额本息贷款计算和比较
- LED模拟与数字调光
- 关于axios配置拦截器不生效的问题
- 大话设计模式读书笔记之桥接模式
- 杂谈 :女人过了三十,只好嫁给流氓
- java实现.费诺编码_信息论编码实验报告费诺编码附源代码
- 2021-07-03 SHELL 脚本常用
- python-双向循环_关键字pass_break_continue_for循环
- ai智能电话销售机器人——AI与外呼碰撞出爱的火花