Анализ временных рядов

loading="lazy" src="http://xreferat.ru/image/114/1307198480_191.gif" alt="Анализ временных рядов" width="13" height="15" align="BOTTOM" border="0" />


Анализ временных рядов


положив Анализ временных рядов = - t, получаем


Анализ временных рядов (1)


Выходит, у стационарного процесса математическое ожидание и дисперсия одинаковы при любом t, а автоковариационная и автокорреляционная функции зависят не от момента времени s или t, а лишь от их разности (лага).

Отметим, что выполнение свойств (1) еще не влечет стационарности в смысле определения из п.6. Тем не менее постоянство первых двух моментов, а также зависимость автокорреляционной функции только от лага определенно отражает некоторую неизменность процесса во времени. Если выполнены условия (1), то говорят о стационарности процесса в широком смысле, тогда как выполнение условий ( ) означает стационарность в узком (строгом) смысле.

Данное выше определение белого шума надо трактовать в узком смысле. На практике часто ограничиваются белым шумом в широком смысле, под которым понимают временной ряд (случайный процесс), у которого Анализ временных рядов=0 и


Анализ временных рядов


Отметим, что гаусовский процесс, стационарный в узком смысле, стационарен и в широком смысле.

О стационарности в широком смысле судить гораздо проще. Для этого используют различные статистические критерии, базирующиеся на одной реализации случайного процесса.

8.Оценивание числовых характеристик временного ряда


Оценивание числовых характеристик случайного временного ряда в каждый момент времени требует набора реализаций (траекторий) соответствующего случайного процесса. Хотя время и не воспроизводимо, однако условия протекания процесса иногда можно считать повторяющимися. Особенно это характерно для технических приложений, например, колебания напряжения в электрической сети в течении суток. Временные ряды, наблюдаемые в разные сутки, можно считать независимыми реализациями одного случайного процесса.

Иная ситуация при исследовании процессов социально-экономической природы. Как правило, здесь доступна единственная реализация процесса, повторить которую не представляется возможным. Следовательно, получить оценки среднего, дисперсии, ковариации нельзя. Однако для стационарных процессов подобные оценки все-таки возможны. Пусть Анализ временных рядов наблюденные значения временного ряда в моменты Анализ временных рядов соответственно. Традиционная оценка среднего Анализ временных рядов может служить оценкой математического ожидания стационарного (в широком смысле) случайного процесса.

Ясно, что такая оценка для стационарного ряда будет несмещенной. Состоятельность этой оценки устанавливается теоремой Слуцкого, которая в качестве необходимого и достаточного условия требует чтобы


Анализ временных рядов,


где Анализ временных рядов – автокорреляционная функция процесса.

Точность оценивания среднего зависит от длины N ряда. Считается, что длина N всегда должна быть не меньше так называемого времени корреляции, под которым понимают величину


T =Анализ временных рядов.


Величина Т дает представление о порядке величины промежутка времени Анализ временных рядов, на котором сохраняется заметная корреляция между двумя значениями ряда.

Рассмотрим теперь получение оценок значений автокорреляционной функции. Как и прежде, Анализ временных рядов – наблюденные значения временного ряда. Образуем (N-1) пар Анализ временных рядов. Эти пары можно рассматривать как выборку двух случайных величин, для которых можно определить оценку стандартного коэффициента корреляции Анализ временных рядов. Затем составим (N-2) пар Анализ временных рядов и определим оценку Анализ временных рядов и т.д. Поскольку при подсчете очередного Анализ временных рядов объем выборки меняется, меняется значение среднего и стандартного отклонения для соответствующего набора значений. Для упрощения принято измерять все переменные относительно среднего значения всего ряда Анализ временных рядов и заменять дисперсионные члены в знаменателе на дисперсию ряда в целом, то есть


Анализ временных рядов,


где Анализ временных рядов- среднее, равное Анализ временных рядов.

При больших N расхождение в оценках незначительные. На практике k берут не выше N/4.

Если ряд рассматривается как генеральная совокупность бесконечной длины, то говорят об автокорреляциях (теоретических) и обозначают их Анализ временных рядов. Массив коэффициентов Анализ временных рядов или соответствующих им выборочных коэффициентов Анализ временных рядов содержат весьма ценную информацию о внутренней структуре ряда. Совокупность коэффициентов корреляции, нанесенная на график с координатами k (лаг) по оси абсцисс и Анализ временных рядов либо Анализ временных рядов по оси ординат, называют коррелограммой (теоретической или выборочной соответственно).

Точностные характеристики оценки Анализ временных рядов получены для гауссовских процессов. В частности, для гаусовского белого шума, у которого все корреляции равны нулю, Анализ временных рядов. Математическое ожидание Анализ временных рядов для гауссовского белого шума оказывается не равным нулю, а именно, Анализ временных рядов, то есть оценка Анализ временных рядов оказывается смещенной. Величина смещения убывает с ростом объема выборки и не столь существенна в прикладном анализе.

Оценка Анализ временных рядов асимптотически нормальна при Анализ временных рядов, что дает основание для построения приблизительного доверительного интервала. Широко применяемый 95%-интервал есть Анализ временных рядов.

Границы доверительного интервала, нанесенные на график, называют доверительной трубкой. Если коррелограмма некоторого случайного процесса не выходит за пределы доверительной трубки, то этот процесс близок к белому шуму. Правда, это условие можно считать лишь достаточным. Нередко выборочная коррелограмма гауссовского белого шума содержит один, а то и два выброса среди первых 20 оценок Анализ временных рядов, что естественно затрудняет интерпретацию подобной коррелограммы.

Наряду с автокорреляционной функцией при анализе структуры случайного временного ряда используется частная автокорреляционная функция, значения которой суть частные коэффициенты корреляции.

9. Свободные от закона распределения критерии проверки ряда на случайность


Простейшей гипотезой, которую можно выдвинуть относительно колеблющегося ряда, не имеющего явно выраженного тренда, является предположение, что колебания случайны. В случайных рядах, согласно гипотезе, наблюдения независимы и могут следовать в любом порядке. Для проверки на случайность желательно использовать критерий, не требующий каких-либо ограничений на вид распределения совокупности, из которой, по предположению, извлекаются наблюдаемые значения.

Критерий поворотных точек состоит в подсчёте пиков (величин, которые больше двух соседних) и впадин (величин, которые меньше двух соседних). Рассмотрим ряд y1,...,yN.


Анализ временных рядовАнализ временных рядовпик впадина

Анализ временных рядовАнализ временных рядов yt-1 < yt > yt+1 yt-1 > yt < yt+1


yt-1 yt yt+1 yt-1 yt yt+1

Рис. Поворотные точки.


Для определения поворотной точки требуются три последовательных значения. Начальное и конечное значения не могут быть поворотными точками, т. к. неизвестно y0 и yN+1. Если ряд случаен, то эти три значения могут следовать в любом из шести возможных порядков с равной вероятностью. Только в четырёх из них будет поворотная точка, а именно, когда наибольшее или наименьшее из трёх значений находится в середине. Следовательно, вероятность обнаружения поворотной точки в любой группе из трёх значений равна 2/3.


Анализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядов с с c c c c


Анализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядов b b b b b b

а а a a a a

Рис. Варианты взаимного расположения трёх точек.


Для группы из N величин определим счётную переменную Х.


м 1, если yt-1 < yt > yt+1 или yt-1 > yt < yt+1

Х = н

о 0, в противном случае.

Тогда число поворотных точек р в ряде есть просто Анализ временных рядов, а их математическое ожидание есть М[p]=2/3(N-2). Дисперсия числа поворотных точек вычисляется по формуле D[p]=(16N-29)/90, а само распределение близко к нормальному.

Критерий, основанный на определении длины фазы

Интервал между двумя поворотными точками называется фазой. Для того , чтобы установить наличие фазы длины d (например, восходящей) , нужно обнаружить d+3 членов, содержащих падение от первого члена ко второму ,затем последовательный подъем до (d+2)-го члена и падение к (d+3)-ему члену.


Анализ временных рядовАнализ временных рядовАнализ временных рядов

Анализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядовАнализ временных рядов


Анализ временных рядов

1 2 3 4 d+1 d+2 d+3 N

рис. 3. Фаза длины d.

Рассмотрим группу из d+3 чисел, расположенных в порядке возрастания. Если, не трогая двух крайних членов, извлечь пару чисел из оставшихся d+1 и одно из них поставить в начало, а другое в конец, получим фазу длины d. Существует Анализ временных рядов способов такого выбора пары чисел и каждый член пары может быть поставлен в любой конец, следовательно число восходящих фаз равно d(d+1).

Кроме того, поворотные точки будут иметь место, если первый член последовательности поставить в конец, а любой из оставшихся, за исключением второго, поместить в начало. Число таких последовательностей составит (d+1) . Еще столько же последовательностей получиться если последний член в исходной, возрастающей, последовательности поставить в начало, а любой другой, кроме последнего, в конец. Во избежании двойного счета следует исключить случай, когда первый член ставится на последнее место, а последний на первое. Таким образом, в последовательности из (d+3) чисел с фазой длиной d число случаев роста составит


d(d+1)+2(d+1)-1 =Анализ временных рядов+3d+1 .


Число возможных последовательностей из (d+3) чисел равняется числу перестановок (d+3)!, так что вероятность либо восходящей, либо нисходящей фазы равна


Анализ временных рядов.


В ряде длины N последовательно можно выделить N-2-d групп по d+3 членов. Т.о. математическое ожидание числа фаз длины d

Анализ временных рядов.


Можно показать, что математическое ожидание общего числа фаз длины от 1 до N-3


Анализ временных рядов.


3.Критерий , основанный на знаках разностей

Данный критерий состоит в подсчете числа положительных разностей первого порядка в ряде , иначе говоря, числа точек возрастания ряда. Для ряда из N членов получаем N-1 разностей . Определим счетную переменную как

Анализ временных рядов

Если теперь обозначить через с число точек возрастания случайного ряда , то


Анализ временных рядов.


Распределение довольно быстро стремится к нормальному с дисперсией


Анализ временных рядов.


В основном данный критерий рекомендуется для проверки наличия линейного тренда . С другой стороны, критерий, основанный на поворотных точках , плохо подходит для обнаружения тренда, т.к. наложение заметных случайных колебаний на умеренный тренд приводит примерно к тому же множеству поворотных точек, что и при отсутствии тренда. .Более совершенным, но более сложным критерием для обнаружения линейного тренда являются регрессия y на t и проверка значимости регрессионного коэффициента.

4.Критерий, основанный на ранговых сравнениях

Идею сравнения соседних значений ряда можно развить до сравнения всех значений. Для данного ряда подсчитаем число случаев, когда очередной член ряда превышает все последующие. Всего для сравнения имеется Анализ временных рядовN(N-1) пар. Пусть n общее число случаев превышения. Подсчитывают ранговый коэффициент корреляции Кендэла


Анализ временных рядов.


Если этот коэффициент значим и положителен, то ряд возрастающий, если отрицателен, то - убывающий.

10.Теоретический анализ стационарной случайной составляющей линейного вида


Рассматривается общая линейная модель стохастического процесса


Анализ временных рядов, (1)


где Анализ временных рядов – белый шум

Анализ временных рядов – весовые коэффициенты.


Напомним, чтоАнализ временных рядов=0, Анализ временных рядов, Анализ временных рядов

Введем оператор сдвига на один шаг назад В: Анализ временных рядов

Многократное (для определенности j-кратное) применения оператора В, обозначаем как Анализ временных рядов, дает Анализ временных рядов С учетом введенных обозначений общую линейную модель можно записать как


Анализ временных рядов (Анализ временных рядов )


где Анализ временных рядов– линейный оператор.


Найдем математическое ожидание, дисперсию и автоковариационную функцию для процесса (1):


Анализ временных рядов;

Анализ временных рядов

Анализ временных рядов


Для того чтобы модель имела смысл, дисперсия Анализ временных рядов должна быть конечной, то есть предполагается, что ряд Анализ временных рядов сходится.

Кроме этого предполагают, что имеет место так называемое условие обратимости:


Анализ временных рядов,


где вместо В фигурируют комплексные числа. Из этого условия вытекает существование обратного оператора


Анализ временных рядов,


где Анализ временных рядов, то есть такого, что


Анализ временных рядов


Раскрывая произведение в последнем выражении, группируя однородные по Анализ временных рядов члены и приравнивая их к нулю, получают выражения для определения коэффициентов Анализ временных рядов . Так, Анализ временных рядов и так далее.

Умножая (Анализ временных рядов) на Анализ временных рядов слева, получим, что обратимый процесс может быть записан в виде


Анализ временных рядов,


или


Анализ временных рядов (2)


Запись (2) соответствует авторегрессионой схеме бесконечного порядка. Это же соотношение можно трактовать как линейный предиктор для по всем прошлым значениям временного ряда, а слагаемое Анализ временных рядов – как случайную ошибку этого предиктора. Если известны все прошлые значения ряда, то по форме (2) можно спрогнозировать будущее значение ряда.


10.1. Модели авторегрессии

Рассмотрим более подробно модели случайной составляющей, являющиеся частными случаями общей линейной модели, а именно модели авторегрессии, скользящего среднего и смешанные, широко применяемые на практике.


10.1.1 Авторегрессия первого порядка (марковский процесс)

Модель АР(1) имеет вид


Анализ временных рядов.


С использованием оператора сдвига В модель примет вид


Анализ временных рядов.

Отсюда


Анализ временных рядов

Анализ временных рядов


Рассматривая Анализ временных рядов как сумму бесконечно убывающей геометрической прогрессии со знаменателем а В получаем, что


Анализ временных рядов (2)


Таким образом, марковский процесс есть частный случай общей линейной модели, коэффициенты которой меняются по закону геометрической прогрессии, то есть Анализ временных рядов.

Выражение (2) можно получить и из (1) непосредственно, выражая Анализ временных рядов через Анализ временных рядов, Анализ временных рядов через Анализ временных рядов и т.д.

Дисперсия Анализ временных рядов в соответствие с () есть


Анализ временных рядов


Выходит, белый шум с дисперсией Анализ временных рядов порождает в схеме Маркова случайный процесс с возросшей дисперсией, равной Анализ временных рядов.

Для нахождения автоковариационной функции Марковского процесса можно воспользоваться общим выражением ( ). Однако более нагляден следующий путь. Домножим уравнение (1) марковского процесса на Анализ
    <div class=

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.
Подробнее

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: