【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
- 4-延迟k协方差函数
- AR(1)
- AR(2)
- 5-延迟k自相关系数
- AR(1)
- AR(2)
- 6-延迟k偏自相关系数
- AR(1)
- AR(2)
- 7-AR模型平稳性判别(特征根+平稳域)
- AR(1)
- AR(2)
【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
AR(q)
{xt=ϕ0+ϕ1xt−1+...+ϕpxt−p+εtϕp≠0E(εt)=0,Var(εt)=σε2,E(εtεs)=0,s≠tE(xsεt)=0,∀s<t\begin{cases} x_t=\phi_0+\phi_1x_{t-1}+...+\phi_px_{t-p}+\varepsilon_t \\ \phi_p \neq 0\\ E(\varepsilon_t)=0,Var(\varepsilon_t)=\sigma_\varepsilon^2,E(\varepsilon_t\varepsilon_s)=0,s \neq t \\ E(x_s\varepsilon_t)=0,\forall s \lt t \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧xt=ϕ0+ϕ1xt−1+...+ϕpxt−p+εtϕp=0E(εt)=0,Var(εt)=σε2,E(εtεs)=0,s=tE(xsεt)=0,∀s<t
中心化AR(q)
xt=ϕ1xt−1+...+ϕpxt−p+εtx_t=\phi_1x_{t-1}+...+\phi_px_{t-p}+\varepsilon_t xt=ϕ1xt−1+...+ϕpxt−p+εt
引入延迟算子B
xt=ϕ1xt−1+...+ϕpxt−p+εt=ϕ1Bxt+...+ϕpBpxt+εt=Φ(B)εtx_t=\phi_1x_{t-1}+...+\phi_px_{t-p}+\varepsilon_t \\ ~=\phi_1Bx_t+...+\phi_pB^px_t+\varepsilon_t\\ =\Phi(B)\varepsilon_t~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ xt=ϕ1xt−1+...+ϕpxt−p+εt =ϕ1Bxt+...+ϕpBpxt+εt=Φ(B)εt
得到q阶自回归系数多项式:
Φ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp\Phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p Φ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp
1-均值
μ=ϕ01−ϕ1−...−ϕp\mu=\frac{\phi_0}{1-\phi_1-...-\phi_p} μ=1−ϕ1−...−ϕpϕ0
2-Green函数
{G0=1Gj=∑k=1jϕk′Gj−k\left \{ \begin{array}{c} G_0=1 \\ G_j=\sum_{k=1}^{j}{\phi_k'G_{j-k}} \end{array} \right. {G0=1Gj=∑k=1jϕk′Gj−k
其中:
ϕk′={ϕk,k≤p0,k>p\phi_k' =\begin{cases} \phi_k, k\le p \\ 0, k\gt p \end{cases} ϕk′={ϕk,k≤p0,k>p
Green推导公式过程
xt=εtΦ(B)=G(B)εtx_t=\frac{\varepsilon_t}{\Phi\left(B\right)}=G(B)\varepsilon_t xt=Φ(B)εt=G(B)εt
Φ(B)G(B)εt=εt\Phi\left(B\right)G\left(B\right)\varepsilon_t=\varepsilon_t Φ(B)G(B)εt=εt
(1−∑k=1p(ϕkBk))(∑j=0∞(GjBj))εt=εt\left(1-\sum_{k=1}^{p}\left(\phi_kB^k\right)\right)\left(\sum_{j=0}^{\infty}\left(G_jB^j\right)\right)\varepsilon_t=\varepsilon_t (1−k=1∑p(ϕkBk))(j=0∑∞(GjBj))εt=εt
(∑j=0∞GjBj−∑k=1p∑j=0∞ϕkBkGjBj)εt=εt\left(\sum_{j=0}^{\infty}{G_jB^j}-\sum_{k=1}^{p}\sum_{j=0}^{\infty}{\phi_kB^kG_jB^j}\right)\varepsilon_t=\varepsilon_t (j=0∑∞GjBj−k=1∑pj=0∑∞ϕkBkGjBj)εt=εt
(G0+∑j=1∞(Gj−∑k=1jϕk′Gj−k)Bj)εt=εt\left(G_0+\sum_{j=1}^{\infty}\left(G_j-\sum_{k=1}^{j}{{\phi_k}^\prime G_{j-k}}\right)B_j\right)\varepsilon_t=\varepsilon_t (G0+j=1∑∞(Gj−k=1∑jϕk′Gj−k)Bj)εt=εt
3-方差
Var(xt)=∑j=0∞Gj2Var(εt−j)=∑j=0∞Gj2σε2Var(x_t)=\sum_{j=0}^{\infty}{G_j^2Var(\varepsilon_{t-j})}=\sum_{j=0}^{\infty}{G_j^2\sigma_\varepsilon^2} Var(xt)=j=0∑∞Gj2Var(εt−j)=j=0∑∞Gj2σε2
或者
Var(xt)=γ0Var(x_t)=\gamma_0 Var(xt)=γ0
4-延迟k协方差函数
AR(1)
γk=ϕ1kσε21−ϕ12\gamma_k=\phi_1^k\frac{\sigma_\varepsilon^2}{1-\phi_1^2} γk=ϕ1k1−ϕ12σε2
AR(2)
{γ0=1−ϕ2(1+ϕ2)(1−ϕ1−ϕ2)(1+ϕ1−ϕ2)σε2γ1=ϕ11−ϕ2γ0γk=ϕ1γk−1+ϕ2γk−2\left \{ \begin{array}{c} \gamma_0=\frac{1-\phi_2}{(1+\phi_2)(1-\phi_1-\phi_2)(1+\phi_1-\phi_2)}{\sigma_\varepsilon^2} \\ \gamma_1=\frac{\phi_1}{1-\phi_2}{\gamma_0} \\ \gamma_k=\phi_1\gamma_{k-1}+\phi_2\gamma_{k-2} \end{array} \right. ⎩⎪⎨⎪⎧γ0=(1+ϕ2)(1−ϕ1−ϕ2)(1+ϕ1−ϕ2)1−ϕ2σε2γ1=1−ϕ2ϕ1γ0γk=ϕ1γk−1+ϕ2γk−2
5-延迟k自相关系数
AR(1)
ρk=γkγ0=ϕ1k\rho_k=\frac{\gamma_k}{\gamma_0}=\phi_1^k ρk=γ0γk=ϕ1k
AR(2)
{ρ0=γ0γ0=1ρ1=γ1γ0=ϕ11−ϕ2ρk=γkγ0=ϕ1ρk−1+ϕ2ρk−2\left \{ \begin{array}{c} \rho_0=\frac{\gamma_0}{\gamma_0}=1\\ \rho_1=\frac{\gamma_1}{\gamma_0}=\frac{\phi_1}{1-\phi_2}\\ \rho_k=\frac{\gamma_k}{\gamma_0}=\phi_1\rho_{k-1}+\phi_2\rho_{k-2} \end{array} \right. ⎩⎪⎨⎪⎧ρ0=γ0γ0=1ρ1=γ0γ1=1−ϕ2ϕ1ρk=γ0γk=ϕ1ρk−1+ϕ2ρk−2
6-延迟k偏自相关系数
AR(1)
{ϕ11=ρ1ρ0ϕkk=0,∀k>1\left \{ \begin{array}{c} \phi_{11}=\frac{\rho_1}{\rho_0} \\ \phi_{kk}=0,\forall k\gt 1 \end{array} \right. {ϕ11=ρ0ρ1ϕkk=0,∀k>1
AR(2)
{ϕ11=ρ1ρ0=ϕ11−ϕ2ϕ22=ϕ2ϕkk=0,∀k>2\left \{ \begin{array}{c} \phi_{11}=\frac{\rho_1}{\rho_0}=\frac{\phi_1}{1-\phi_2} \\ \phi_{22}=\phi_2\\ \phi_{kk}=0,\forall k\gt 2 \end{array} \right. ⎩⎨⎧ϕ11=ρ0ρ1=1−ϕ2ϕ1ϕ22=ϕ2ϕkk=0,∀k>2
7-AR模型平稳性判别(特征根+平稳域)
AR(1)
xt=ϕ1xt−1+εtx_t=\phi_1x_{t-1}+\varepsilon_t xt=ϕ1xt−1+εt
特征方程λ−ϕ1=0\lambda-\phi_1=0λ−ϕ1=0
特征根λ=ϕ1\lambda=\phi_1λ=ϕ1
平稳充要条件:特征根在单位圆内,即∣ϕ1∣<1|\phi_1|<1∣ϕ1∣<1
平稳域为{ϕ1∣−1<ϕ1<1}\{\phi_1|-1<\phi_1<1\}{ϕ1∣−1<ϕ1<1}
AR(2)
xt=ϕ1xt−1+ϕ2xt−2+εtx_t=\phi_1x_{t-1}+\phi_2x_{t-2}+\varepsilon_t xt=ϕ1xt−1+ϕ2xt−2+εt
特征方程λ2−ϕ1λ−ϕ2=0\lambda^2-\phi_1\lambda-\phi_2=0λ2−ϕ1λ−ϕ2=0
特征根λ1=ϕ1+ϕ12+4ϕ22,λ2=ϕ1−ϕ12+4ϕ22\lambda_1=\frac{\phi_1+\sqrt{\phi_1^2+4\phi_2}}{2},\lambda_2=\frac{\phi_1-\sqrt{\phi_1^2+4\phi_2}}{2}λ1=2ϕ1+ϕ12+4ϕ2,λ2=2ϕ1−ϕ12+4ϕ2
平稳充要条件:特征根在单位圆内,即∣λ1∣<1且∣λ2∣<1|\lambda_1|<1且|\lambda_2|<1∣λ1∣<1且∣λ2∣<1
平稳域为{ϕ1,ϕ2∣∣ϕ2∣<1且ϕ2±ϕ1<1}\{\phi_1,\phi_2||\phi_2|<1且\phi_2\pm\phi_1<1\}{ϕ1,ϕ2∣∣ϕ2∣<1且ϕ2±ϕ1<1}
【时间序列分析】AR模型公式总结相关推荐
- 数据分析 时间序列分析 AR模型
一.概念 具有如下结构的模型称为p阶自回归模型(Auto Regression Model of order p;AR Model of order p),记为AR(p)AR(p)AR(p):xt=φ ...
- 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 ...
- 【Python数据分析】时间序列分析——AR/MA/ARMA/ARIMA
目录 一.时间序列的平稳性与差分法 1.时间序列的平稳性: 2.平稳性检验 3.纯随机性检验 4.差分法 二.平稳时间序列模型 1.AR模型 2.MR模型 3.ARMA模型 4.平稳时间序列建模步骤 ...
- 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 ...
- 时间序列分析:AR(p),MA(q)
在一个连续的时间周期内随机变量发生变化,比如一个月内股票价格走势.每年的销售额.每小时进出园区的车辆等,这些都称为时间序列.时间序列分析通过分析过去一段时间内随机变量的走势,预测未来随机变量走势,时间 ...
- 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 ...
最新文章
- android 类加载器 DexClassLoader的用法,以及引出的插件架构
- 图像多尺度对比增强算法
- SharePoint 2013常用开发工具分享
- CVPR 2019 ATOM:《ATOM: Accurate Tracking by Overlap Maximization》论文笔记
- python 逻辑回归权重_Python 逻辑回归
- @ViewChild 的三种常用方法
- MVC架构设计——EF-Code First
- 网上linux实验平台,Linux操作系统实验教程
- asp.net中RegularExpressionValidator控件中正则表达式用法
- 差分电荷密度怎么画_科学网差分电荷密度图、电荷局域密度图(ELF)的画
- python备份数据库
- C# Linq to sql 实现 group by 统计多字段 返回多字段
- 如何在Mac系统中修改设备名称
- 用户控件中复杂属性的设计时支持
- IOS开发之Target-Action模式
- C语言调用拼多多api,vb CommonDialog 属性
- 空间相关分析与SDM
- 第二章、Magick命令组合多个图像处理操作
- JAVA,OpenCV简单实现“全能扫描王”的功能
- teeth mirror牙小护牙膏让你唇红齿白,亮白笑容不是梦