Анализ временных рядов

src="http://xreferat.ru/image/114/1307198519_370.gif" alt="Анализ временных рядов" width="419" height="25" border="0" />

Где Анализ временных рядов - взаимная ковариационная функция между y и Анализ временных рядов. Поскольку возмущения Анализ временных рядов в момент t и значения ряда в прошлые моменты (см(2)) не коррелируют, Анализ временных рядов0 при k>0.

Отсюда следует, что для значений Анализ временных рядовq+1 автоковариации и автокорреляции удовлетворяют тем же соотношениям, что и в модели АР(р):


Анализ временных рядов


В итоге оказывается, что при q<р вся автокорреляционная функция будет выражаться совокупностью затухающих экспонент и / или затухающих синусоидальных волн, а при q>p будет q-p значений Анализ временных рядов, выпадающих из данной схемы.


10.1.6 Интегрированная модель авторегрессии- скользящего среднего

Модель АРСС допускает обобщение на случай, когда случайный процесс является нестационарным. Ярким примером такого процесса являются «случайные блуждания»:


Анализ временных рядов (1)


С использованием оператора сдвига модель (1) принимает вид


Анализ временных рядов (2)


Из (2) видно, что процесс (1) расходящийся, посколькуАнализ временных рядов. Характеристическое уравнение этого процесса имеет корень, равный единице, то есть имеет место пограничный случай, когда корень характеристического уравнения оказался на границе единичной окружности. В то же время, если перейти к первым разностям Анализ временных рядов, то процесс Анализ временных рядов окажется стационарным.

В общем случае полагается, что нестационарный авторегрессионный оператор Анализ временных рядов в модели АРСС имеет один или несколько корней, равных единице. Иными словами, Анализ временных рядов является нестационарным оператором авторегрессии порядка p+d; d корней уравнения Анализ временных рядов=0 равны единице, а остальные р корней лежат вне единичного круга. Тогда можно записать, что


Анализ временных рядов,


где a(B) – стационарный оператор авторегрессии порядка р (с корнями вне единичного круга).


Введем оператор разности Анализ временных рядов, такой что Анализ временных рядовАнализ временных рядов=(1-B)Анализ временных рядов , тогда нестационарный процесс АРСС запишется как


Анализ временных рядов, (3)


где b(B) – обратимый оператор скользящего среднего (вне его корни лежат вне единичного круга).

Для разности Анализ временных рядов порядка d , то есть Анализ временных рядов модель


Анализ временных рядов


описывает уже стационарный обратимый процесс АРСС(р, q).

Для того чтобы от ряда разностей вернуться к исходному ряду требуется оператор s, обратный Анализ временных рядов :


Анализ временных рядов


Этот оператор называют оператором суммирования, поскольку


Анализ временных рядов .


Если же исходной является разность порядка d, то для восстановления исходного ряда понадобится d - кратная итерация оператора s, иначе d- кратное суммирование (интегрирование). Поэтому процесс (3) принято называть процессом АРИСС, добавляя к АРСС термин интегрированный. Кратко модель (3) записывают как АРИСС(р, d, q), где р – порядок авторегрессии, d – порядок разности, q – порядок скользящего среднего. Ясно, что при d =0 модель АРИСС переходит в модель АРСС .

На практике d обычно не превышает двух, то есть d .

Модель АРИСС допускает представление, аналогичное общей линейной модели, а так же в виде «чистого » процесса авторегрессии (бесконечного порядка). Рассмотрим, к примеру, процесс АРИСС (1, 1, 1):


Анализ временных рядов (4)


Из (4) следует, что


Анализ временных рядов


Отсюда

Анализ временных рядов (5)

В выражении (5) коэффициенты, начиная с третьего, вычисляются по формуле Анализ временных рядов.

Представление (5) интересно тем, что веса, начиная с третьего, убывают по экспоненциальному закону. Поэтому, хотя формальноАнализ временных рядов зависит от всех прошлых значений, однако реальный вклад в текущее значение внесут несколько «недавних» значений ряда. Поэтому уравнение (5) более всего подходит для прогнозирования.

11.Прогнозирование по модели АРИСС


Как уже отмечалось, процессы АРИСС допускают представление в виде обобщенной линейной модели, то есть


Анализ временных рядов


Естественно искать будущее (прогнозное) значение ряда в момент Анализ временных рядов в виде


Анализ временных рядов


Ожидаемое значение Анализ временных рядов, которое мы будем обозначать как Анализ временных рядов


Анализ временных рядов=Анализ временных рядов


Первая сумма в правой части последнего соотношения содержат лишь будущие возмущения (прогноз делается в момент t, когда известны прошлые значения и ряда Анализ временных рядов и возмущенийАнализ временных рядов) и для них математическое ожидание равно 0 по определению. Что же касается второго слагаемого, то возмущения здесь уже состоялись, так что


Анализ временных рядов


Таким образом


Анализ временных рядов=Анализ временных рядов (1)


Ошибка прогноза, представляющая расхождение между прогнозным значением и его ожиданием есть


Анализ временных рядов=Анализ временных рядов


Дисперсия ошибки отсюда есть


Анализ временных рядов (2)


Прогнозирование по соотношению (1) в принципе возможно, однако затруднительно поскольку требует знания всех прошлых возмущений. К тому же для стационарных рядов скорость затухания Анализ временных рядов часто оказывается недостаточной, не говоря уже о нестационарных процессах, для которых ряды Анализ временных рядов расходятся.

Поскольку модель АРИСС допускает и другие представления, рассмотрим возможности их использования для прогнозирования. Пусть модель задана непосредственно разностным уравнением


Анализ временных рядов (3)


По известным значениям ряда (результатам наблюдений) Анализ временных рядов и оцененным значениям возмущений Анализ временных рядов , опираясь на рекуррентную формулу (3) можно оценить ожидаемое значение ряда в момент t+1:

Анализ временных рядов

-Анализ временных рядов, (4)


При прогнозировании на два такта следует вновь воспользоваться рекуррентным соотношением (3), где в качестве наблюденного значения ряда в момент t+1 следует взять предсказанную по (4) величину Анализ временных рядов, то есть Анализ временных рядов и так далее.

Наконец, возможно прогнозирование опираясь на представление процесса АРИСС в виде авторегрессии (). Как уже отмечалось, несмотря на то что порядок авторегрессии бесконечен, весовые коэффициенты в представлении ряда убывают довольно быстро, поэтому для вычисления прогноза достаточно умеренное число прошлых значений ряда.

Дисперсия ошибки прогноза на Анализ временных рядов шагов вперед есть

Анализ временных рядов

и согласно выражению (2) дается выражением

Анализ временных рядовАнализ временных рядов

В предположении, что случайные возмущения являются гаусовским белым шумом, то есть Анализ временных рядов можно рассматривать доверительный интервал для прогнозного значения ряда стандартным образом.

12.Технология построения моделей АРИСС


Описанные выше теоретические схемы строились в предположении, что временной ряд имеет бесконечную предысторию, тогда как реально исследователю доступен ограниченный объем наблюдений. Модель приходится подбирать экспериментально, подгоняя ее к имеющимся в распоряжении данным. Поэтому с позиций теоретического применения теории анализа временных рядов определяющее значение имеют вопросы корректной спецификации модели АРИСС(p, d, q) (ее идентификации) и последующего оценивания ее параметров.

На этапе идентификации наблюденные данные используются для определения подходящего класса моделей и делаются предварительные оценки ее параметров, то есть строится пробная модель. Затем пробная модель подгоняется к данным более тщательно; при этом первичные оценки, полученные на этапе идентификации выступают в качестве начальных значений в итеративных алгоритмах оценивания параметров. И наконец, на третьем этапе полученная модель подвергается диагностической проверке для выявления возможной неадекватности модели и выработки подходящих изменений в ней.Рассмотрим перечисленные этапы подробнее.


Идентификация модели


Цель идентификации – получить некоторое представление о величинах p, d, q и о параметрах модели. Идентификация модели распадается на две стадии

Определение порядка разности d исходного ряда Анализ временных рядов.

Идентификация модели АРСС для ряда разностей Анализ временных рядов.

Основной инструмент, используемый на обеих стадиях – автокорреляционная и частная автокорреляционная функции.

В теоретической части мы видели, что у стационарных моделей автокоррелящии Анализ временных рядов спадают с ростом k весьма быстро (по корреляционному закону). Если же автокорреляционная функция затухает медленно и почти линейно, то это свидетельствует о нестационарности процесса, однако, возможно, его первая разность стационарно.

Построив коррелограмму для ряда разностей, вновь повторяют анализ и так далее. Считается, что порядок разности d, обеспечивающий стационарность, достигнут тогда, когда автокорреляционная функция процесса Анализ временных рядов падает довольно быстро. На практике Анализ временных рядов и достаточно просмотреть порядка 15-20 первых значений автокорреляции исходного ряда, его первые и вторые разности.

После того как будет получен стационарный ряд разностей, порядка d, изучают общий вид автокорреляционной и частной автокорреляционной функций этих разностей. Опираясь на теоретические свойства этих функций можно выбрать значения p и q для АР и СС операторов. Далее при выбранных p и q строятся начальные оценки параметров авторегрессии Анализ временных рядов и скользящего среднего b=(Анализ временных рядов). Для авторегрессионных процессов используются уравнения Юла-Уокера, где теоретические автокорреляции заменены на их выборочные оценки. Для процессов скользящего среднего порядка q только первые q автокорреляций отличны от нуля и могут быть выражены через параметры Анализ временных рядов (см. ). Заменяя Анализ временных рядов их выборочными оценками Анализ временных рядов и решая получающиеся уравнения относительно Анализ временных рядов, получим оценку Анализ временных рядов. Эти предварительные оценки можно использовать как начальные значения для получения на следующих шагах более эффективных оценок.

Для смешанных процессов АРСС процедура оценивания усложняется . Так для рассмотренного в п. процесса АРСС(1,1) параметры Анализ временных рядови Анализ временных рядов , точнее их оценки, получаются из ( ) с заменой Анализ временных рядови Анализ временных рядов их выборочными оценками.

В общем случае вычисление начальных оценок процесса АРСС(p,q) представляет многостадийную процедуру и здесь не рассматривается. Отметим только, что для практики особый интерес имеют АР и СС процессы 1-го и 2-го порядков и простейший смешанный процесс АРСС(1,1).

В заключение заметим, что оценки автокорреляций, на основе которых строятся процедуры идентификации могут иметь большие дисперсии (особенно в условиях недостаточного объема выборки – несколько десятков наблюдений) и быть сильно коррелированны. Поэтому говорить о строгом соответствии теоретической и эмпирической автокорреляционных функций не приходится. Это приводит к затруднениям при выборе p, d, q, поэтому для дальнейшего исследования могут быть выбраны несколько моделей.

линейный ряд система временной ряд


Размещено на

73

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.

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: