传智播客php网站开发实例教程,产品做推广一般上什么网站,百度广告大全,建设一个商务网站的步骤此前篇章#xff1a;
时间序列分析#xff08;一#xff09;——基础概念篇
时间序列分析#xff08;二#xff09;——平稳性检验
时间序列分析#xff08;三#xff09;——白噪声检验 一、差分运算
差分运算的定义#xff1a;差分运算是一种将非平稳时间序列转换…此前篇章
时间序列分析一——基础概念篇
时间序列分析二——平稳性检验
时间序列分析三——白噪声检验 一、差分运算
差分运算的定义差分运算是一种将非平稳时间序列转换为平稳时间序列的常用方法。
p阶差分对于一个时间序列 {Xt}其一阶差分序列为 二阶差分序列是在一阶差分的基础上再次进行一阶差分二阶差分序列为 以此类推得到p阶差分。
作用可以消除时间序列中的趋势和季节性成分使其满足平稳性的要求从而可以应用平稳时间序列的分析方法进行建模和预测。例如对于一个具有线性趋势的时间序列经过一阶差分后通常可以消除趋势的影响使其均值、方差等统计特性在时间上保持稳定。
二、延迟算子
延迟算子的定义延迟算子 L 是一种用于表示时间序列滞后值的算子定义为 即 L 作用于 Xt 上得到的是 Xt 的前一期值。一般地表示 Xt 的前 k 期值。
作用 延迟算子可以方便地表示时间序列模型中的滞后项简化模型的表达式。
三、线性差分方程 这部分内容涉及到线性代数的相关知识。简单提一提了解一下。 定义线性差分方程是描述时间序列与其过去值和过去误差项之间线性关系的方程。
一般形式其中ht为关于 t 的函数a为常数。 齐次方程等式右边为零解由特征根决定。 非齐次方程包含外部项如白噪声 ϵt解为齐次解与特解之和。
3.1 齐次线性差分方程的解
形式 假设解为指数形式 得到其特征方程 这是一个p次线性方程应该有p个非零根称为特征方程的特征根假设为 r1、r2、...、rp。 特征方程特征方程是通过将给定的方程转换成多项式方程来帮助我们找到解的一个工具。 特征根 ≠ 方程的解 特征根是解的基底参数特征根本身不是方程的解但通过特征根可以构造出齐次方程的通解。 示例AR(2)模型的特征方程为 若得到两个实根 r1,r2则齐次解为 这里 r1,r2 是特征根而通解是它们的线性组合。 根据特征根的类型构造通解 所有根都为实根且无重根每个实根 ri 对应一项 通解为 重根相同取值的根若 r 是 k 重根通解中包含多项式项为 复根复根复数形式包含实部和虚部以共轭对形式出现 α±βii转换为极坐标通解中包含的对应项为
平稳性条件齐次解中每个项的收敛性由特征根 ri 的模长 ∣ri∣ 决定
平稳性要求特征根在单位圆内即所有特征根的模长 ∣ri∣1 当 ∣ri∣1 时 随时间指数衰减序列趋于平稳。 若存在 ∣ri∣≥1解会发散或震荡不衰减导致非平稳。 特征根的作用 1确定解的数学形式 特征根决定了齐次解的形式指数、三角函数等 实根解为指数函数的线性组合。对应指数增长或衰减的分量。 复根解表现为阻尼震荡对应周期性波动体现时间序列的周期行为。 重根解包含多项式项引入多项式时间项如反映多重动态效应。 (2) 判断模型的平稳性 平稳性条件当所有特征根的模绝对值严格小于1时即位于复平面的单位圆内齐次解会随时间指数衰减至零系统趋于平稳。若存在特征根模≥1解不收敛序列非平稳如随机游走。 应用场景在拟合AR(p)或ARMA模型后需检查特征根是否满足平稳性条件。例如若特征方程有根接近单位圆如 ∣r∣0.95序列可能呈现缓慢衰减的自相关性。 (3) 揭示时间序列的动态行为 衰减速率特征根的模长决定序列记忆效应的持久性。模越接近0衰减越快短期记忆模接近1衰减越慢长期记忆。 周期性复根对应的频率 ω 决定了序列的周期长度 T2π/ωT2π/ω。例如季度数据可能对应 ωπ/2周期 T4T4。 爆炸性或震荡性模1的根导致序列发散如 r1.1时Xt 指数增长复根的模1则导致振幅递增的震荡。 为什么必须结合特征根分析 数学必然性无特征根则无法求解差分方程更无法理解模型动态。 工程必要性特征根是验证模型合理性平稳性、可逆性的核心工具。 解释性需求通过特征根的位置和类型可直观解释序列的周期性、趋势性及衰减模式。 预测与控制特征根的衰减速率直接影响预测精度和置信区间帮助优化模型选择。 3.2 非齐次线性差分方程的解
非齐次线性差分方程的形式为 其中右边 h(t) 包含外部扰动项如白噪声 ϵt
通解的结构
Xt 齐次解瞬态 特解稳态 齐次解对应方程右边为零时的解由特征根决定。 特解针对非齐次项 h(t) 构造的特殊解。
理解长期行为与短期动态
长期行为特解由噪声驱动主导稳态响应。短期动态齐次解由初始条件驱动反映瞬态响应其衰减速率由特征根决定。
3.3 时间序列模型与线性差分方程的联系 核心工具线性差分方程是AR、MA、ARMA等经典时间序列模型的数学基础。
动态特性通过特征根分析可判定序列的平稳性、周期性及衰减速率。
四、AR模型自回归模型
AR模型是时间序列分析中的核心模型之一通过历史观测值的线性组合预测当前值。
模型的一般形式AR(p) 模型表示当前值 Xt 与其前 p 个历史值的线性关系加上随机扰动项(白噪声ϵt) 参数含义 ϕ1,ϕ2,…,ϕp自回归系数反映过去值对当前值的影响。 p模型阶数表示依赖的历史步长。 ϵt独立同分布的白噪声均值为0方差为 σ2。
一般形式下的特征方程 自回归系数多项式 AR(p)模型的另一种模型形式基于延迟算子称为自回归系数多项式 由AR(p) 模型可以写成 忽略误差项令 z L特征方程变为 对比两种模型形式的特征方程可以得到一条重要的性质特征根一般形式和自回归系数多项式的根成倒数。 基于以上性质由于特征根和自回归系数多项式的根成倒数关系AR(p)模型平稳的等价条件是自回归系数多项式方程的所有根 z 的模长都大于1即 ∣z∣1恰好相反。 注没提到 “自回归系数多项式” 时模型默认用一般形式来定义。 4.1 AR模型的性质
1平稳性条件AR(p) 模型的特征方程所有根的模长需严格小于1位于单位圆内。若根在单位圆内历史影响随时间指数衰减序列趋于平稳若存在根在单位圆外序列发散非平稳。
2 自相关函数ACF与偏自相关函数PACF【之前文章有讲】 ACF拖尾性 AR(p) 模型的自相关系数逐渐衰减至零表现为拖尾指数或震荡衰减。 物理意义所有历史值对当前值的间接影响随滞后阶数增加而减弱。 PACF截尾性 偏自相关系数在滞后 p 阶后突然截尾接近零这是识别 AR(p) 模型阶数的关键特征。 原因PACF 消除了中间变量的影响仅保留当前值和某一历史值的直接相关性。
4.2 AR(1) 和 AR(2) 的平稳域判别
平稳域方法是通过系数的约束条件来判别 AR 模型的平稳性只适用于低阶模型。推导过程略
对于AR(1)模型 平稳域条件为 对于AR(2)模型 平稳域条件为 4.3 平稳AR(p)模型的统计特性
1均值平稳 AR(p) 模型的均值是常数。
实际上ARp模型可以再加上一个常数项 平稳 AR(p) 模型的均值为常数记为 μ 计算公式为 推导过程如下 对模型等式两边取期望 由于期望是线性的可以将其拆分 由于过程是平稳的所有时间点的期望值都相同即 E[Xt−k]μ且对于白噪声有 E[ϵt]0则 最终得到结果 2方差平稳 AR(p) 模型的方差是有限且不依赖于时间的 。 # 文章如有错误欢迎大家指正。我们下期再见叭
