Анализ временных рядов

временных рядов" width="28" height="22" align="BOTTOM" border="0" />и возьмем математическое ожидание

Анализ временных рядов.


Поскольку второе слагаемое в правой части равно нулю в силу некоррелированности возмущения Анализ временных рядов в текущий момент с прошлыми значениями ряда Анализ временных рядов, получаем


Анализ временных рядов


(Анализ временных рядов в силу стационарности Анализ временных рядов)


Из последнего соотношения имеем


Анализ временных рядов,

то есть а совпадает с коэффициентом автокорреляции Анализ временных рядов средних членов ряда. Умножим теперь (1) на Анализ временных рядов и возьмем математическое ожидание:


Анализ временных рядов.


Заменяя а на Анализ временных рядов и деля на Анализ временных рядов , получаем


Анализ временных рядов.


Придавая k значения 2,3,… получим


Анализ временных рядов.

Итак, в марковском процессе все автокорреляции можно выразить через первую автокорреляцию. Поскольку Анализ временных рядов, автокорреляционная функция марковского процесса экспоненциально убывает при росте k.

Рассмотрим теперь частную автокорреляционную функцию марковского процесса. Мы получили, что корреляция между двумя членами ряда, отстоящими на два такта, то есть между Анализ временных рядов и Анализ временных рядов выражается величиной Анализ временных рядов. Но Анализ временных рядов зависит от Анализ временных рядов, а Анализ временных рядов от Анализ временных рядов. Возникает вопрос, сохранится ли зависимость между Анализ временных рядов и Анализ временных рядов, если зависимость от срединного члена Анализ временных рядов устранена. Соответствующий частный коэффициент корреляции есть


Анализ временных рядов.


Поскольку Анализ временных рядов, числитель равен нулю. Аналогично можно показать, что частные коэффициенты корреляции для членов ряда, отстоящих на 3,4 и так далее тактов, также равны нулю. Таким образом, автокорреляция существует только благодаря корреляции соседних членов, что впрочем следует из математической модели марковского процесса.

Завершая рассмотрение модели АР(1), отметим, что она весьма часто используется в экономико-математических исследованиях для описания остатков линейной регрессии, связывающей экономические показатели.


Авторерессия второго порядка (процесс Юла)


Авторегрессионный процесс Юла АР(2) описывается уравнением


Анализ временных рядов (1)


С использованием оператора сдвига В модель запишется как

Анализ временных рядов,


где а(В) – авторегрессионный оператор, то есть а(В)= Анализ временных рядов.

Свойства модели зависят от корней Анализ временных рядов и Анализ временных рядов полинома


Анализ временных рядов=0, (2)


который можно записать также в виде


(1-Анализ временных рядовВ)(1-Анализ временных рядовВ)=0.


Для стационарности процесса (1) необходимо, чтобы корни Анализ временных рядов и Анализ временных рядов лежали внутри единичной окружности (случай комплексных корней), либо были меньше единицы (случай действительных корней), что обеспечивается при Анализ временных рядов .

Пусть Анализ временных рядов и Анализ временных рядов действительны и различны. Разложим Анализ временных рядовна простые дроби


Анализ временных рядов, (3)


где Анализ временных рядов.


Рассматривая отдельные слагаемые в (3) как суммы бесконечных геометрических прогрессий, получим

Анализ временных рядов.


Выходит АР(2) есть частный случай общей линейной модели ( ) с коэффициентами


Анализ временных рядов.


Рассмотрим теперь автокорреляционную функцию процесса Юла. Умножим (1) по очереди на Анализ временных рядов и Анализ временных рядов, возьмем математические ожидания и разделим на Анализ временных рядов. В итоге получим


Анализ временных рядов


Этих уравнений достаточно для определения Анализ временных рядов через первые две автокорреляции и, наоборот, по известным Анализ временных рядов можно найти Анализ временных рядов.

Умножая теперь (1) на Анализ временных рядов получим рекуррентное уравнение


Анализ временных рядов, (4)


из которого можно найти автокорреляции высоких порядков через первые автокорреляции. Тем самым, полностью определяется коррелограмма процесса Юла.

Исследуем вид коррелограммы процесса АР(2).

Выражение (4) можно рассматривать как разностное уравнение второго порядка относительно r с постоянными коэффициентами.

Общее решение такого уравнения имеет вид

Анализ временных рядов,


где Анализ временных рядов – корни характеристического уравнения


Анализ временных рядов (5)


Легко видеть, что уравнения (2) и (5) эквивалентны с точностью до замены В на z и деления обоих частей на Анализ временных рядов, так что корни этих уравнений совпадают, то есть Анализ временных рядов

Общее решение разностного уравнения (4) есть


Анализ временных рядов (6)


где коэффициенты А и В находят из граничных условий при j=0 и j=1.

Таким образом, в случае действительных корней коррелограмма АР(2) представляет собой, как видно из (6), смесь двух затухающих экспонент.

В случае комплектности корней Анализ временных рядов и Анализ временных рядов коррелограмма процесса АР(2) оказывается затухающей гармоникой.

Рассмотрим теперь как ведет себя частная автокорреляционная функция процесса Юла. Отличным от нуля оказывается лишь коэффициент Анализ временных рядов , равный Анализ временных рядов. Частные корреляции более высоких порядков равны нулю (подробнее этот процесс рассматривается дальше). Таким образом, частная коррелограмма процесса отрывается сразу после лага, равного единице.

В заключении отметим, что модели АР(2) оказались приемлемыми при описании поведения циклической природы, прообразом которого служит маятник, на который воздействуют малые случайные импульсы. Амплитуда и фаза такого колебательного процесса будут все время меняться.

10.1.3. Авторегрессия порядка р

Процесс авторегрессии порядка р, кратко АР(р), описывается выражением


Анализ временных рядов (1)


или


Анализ временных рядов (Анализ временных рядов )


Решение разностного относительно y выражения (1) или (Анализ временных рядов) состоит из двух частей: общего решения, содержащего р произвольных констант, и частного решения. Общее решение есть


Анализ временных рядов, (2)

гдеАнализ временных рядов – есть постоянные коэффициенты,

Анализ временных рядов (j=1,2,...,р) – корни характеристического уравнения.

Анализ временных рядов (3)


Стационарность ряда (2) имеет место, если корни уравнения (3) имеют модуль меньше единицы. Другими словами, корни должны лежать внутри единичного круга. Считая, что ряд имеет достаточно длинную предысторию, общим решением (2) можно пренебречь вследствие затухания.

Частое решение, как видно из (Анализ временных рядов), есть


Анализ временных рядов

Последнее соотношение есть форма представления авторегрессионного процесса в виде общей линейной модели.

Последовательно умножим уравнение (1) на Анализ временных рядов, возьмем математическое ожидание и разделим на Анализ временных рядов. Получим систему уравнений относительно коэффициентов корреляции :


Анализ временных рядов, k=1, 2, ..., p (4)


Учитывая, что Анализ временных рядов , и вводя матричные обозначения


Анализ временных рядов,


запишем (4) в виде


Pa=r (5)


Систему уравнений (5) называют системой Юла-Уокера. Из нее находим, что


a=Анализ временных рядовr (6)


Таким образом, зная первые р автокорреляций временного ряда, можно найти по (3) автокорреляции более высокого порядка, то есть полностью восстановить автокорреляционную функцию (что уже отмечалось при анализе процессов АР(1) и АР(2)).

Поведение автокорреляционной функции зависит от корней характеристического полинома. Обычно коррелограмма процесса АР(р) состоит из совокупности затухающих синусоид.

Если у процесса АР(2) частная автокорреляция членов ряда, разделенных 2-мя или большим числом членов, равна нулю, то у процесса АР(р) нулю равны автокорреляции порядка р и выше. Выходит, частная коррелограмма процесса АР(р) должна равняться нулю, начиная с некоторого момента. Правда, надо заметить, что этот факт имеет место для бесконечного ряда. Для конечных реализаций указать место обрыва коррелограммы часто затруднительно.

Итак, для процесса АР(р) частная автокорреляционная функция обрывается на лаге р, тогда как автокорреляционная функция плавно спадает.


10.1.4 Процессы скользящего среднего

Обобщенная линейная модель для процессов скользящего среднего содержит лишь конечное число членов, то есть в ( ): Анализ временных рядов=0 k> q .

Модель приобретает вид


Анализ временных рядов (1)


(В (1) коэффициенты Анализ временных рядов переобозначены черезАнализ временных рядов.)

Соотношение (1) определяет процесс скользящего среднего порядка q, или сокращенно СС(q). Условие обратимости ( ) для процесса СС(q) выполняется, если корни многочлена b(В) лежат вне единичного круга.

Найдем дисперсию процесса СС(q):


Анализ временных рядовАнализ временных рядов

Все смешанные произведения вида Анализ временных рядов равны нулю в силу некоррелированности возмущений в разные моменты времени. Для нахождения автокорреляционной функции процесса СС(q) последовательно умножим (1) на Анализ временных рядови возьмем математическое ожидание


Анализ временных рядов (2)


В правой части выражения (2) останутся только те члены, которые отвечают одинаковым временным тактам (см. рис )


Анализ временных рядов Анализ временных рядов Анализ временных рядов Анализ временных рядов Анализ временных рядов Анализ временных рядов

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


Анализ временных рядовАнализ временных рядовАнализ временных рядов

Анализ временных рядовАнализ временных рядов Анализ временных рядов Анализ временных рядов Анализ временных рядов (k=2)


Следовательно, выражение (2) есть


Анализ временных рядов (3)


поделив (3) на Анализ временных рядов , получим


Анализ временных рядов (4)

Тот факт, что автокорреляционная функция процесса СС(q) имеет конечную протяженность (q тактов) – характерная особенность такого процесса. Если Анализ временных рядов известны, то (4) можно в принципе разрешить относительно параметров Анализ временных рядов. Уравнения (4) нелинейные и в общем случае имеют несколько решений, однако условие обратимости всегда выделяет единственное решение.

Как уже отмечалось, обратимые процессы СС можно рассматривать как бесконечные АР- процессы -АР(Ґ). Следовательно, частная автокорреляцонная функция процесса СС(р) имеет бесконечную протяженность. Итак, у процесса СС(q) автокорреляционная функция обрывается на лаге q, тогда как частная автокорреляционная функция плавно спадает.


10.1.5 Комбинированные процессы авторегрессии - скользящего среднего

Хотя модели АР(р) и СС(q) позволяют описывать многие реальные процессы, число оцениваемых параметров может оказываться значительным. Для достижения большей гибкости и экономичности описания при подборе моделей к наблюдаемым временным рядам весьма полезными оказались смешанные модели, содержащие в себе и авторегрессию и скользящее среднее. Эти модели были предложены Боксом и Дженкинсом и получили название модели авторегрессии - скользящего среднего (сокращенно АРСС(р, q)):


Анализ временных рядов (1)


С использованием оператора сдвига В модель (1) может быть представлена более компактно:

Анализ временных рядов, (Анализ временных рядов )


где а(В)—авторегрессионный оператор порядка р,

b(В)—оператор скользящего среднего порядка q.

Модель (Анализ временных рядов) может быть записаны и так :


Анализ временных рядов


Рассмотрим простейший смешанный процесс АРСС(1,1)

Согласно Анализ временных рядов


Анализ временных рядов (2)


Из соотношения (2) видно, что модель АРСС(1,1) является частным случаем общей линейной модели ( ) с коэффициентами Анализ временных рядов (j>0)

Из (2) легко получить выражение для дисперсии Анализ временных рядов:


Анализ временных рядов


Для получения корреляционной функции воспользуемся тем же приемом, что и при анализе моделей авторегрессии. Умножим обе части модельного представления процесса АРСС(1,1)


Анализ временных рядов

на Анализ временных рядов и возьмем математическое ожидание :


Анализ временных рядов


или (с учетом того, что второе слагаемое в правой части равенства равно нулю)


Анализ временных рядов


Поделив ковариации Анализ временных рядов на дисперсию Анализ временных рядов получаем выражения для автокорреляции


Анализ временных рядов


полученные соотношения показывают, что Анализ временных рядов экспоненциально убывает от начального значения Анализ временных рядов , зависящего от Анализ временных рядов и Анализ временных рядов при этом, если Анализ временных рядов > Анализ временных рядов, то затухание монотонное; при Анализ временных рядов< Анализ временных рядов – затухание колебательное.

Аналогично может быть построена автокорреляционная функция для общей модели АРСС(р, q).

Умножим все члены (1) на Анализ временных рядов. Возьмем математическое ожидание и в результате получим следующее разностное уравнение.

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: