第二章 基本概念
Yt 代表时间序列t时刻的值
自协方差函数 γt,s
γt,s=cov(Yt,Ys)=E[(Yt−μt)(Ys−μs)]=E(YtYs)−μtμs
自相关函数
ρt,s=corr(YtYs)=cov(YtYs)Var(Yt)Var(Ys)−−−−−−−−−−−−−√=γt,sγt,tγs,s−−−−−√
当 ρ 接近 ±1 时说明相关性强,接近0则说明基本不相关
随机游动 random walk
假设
e1,e2...et
是均值为为0,方差为
σ2
,独立同分布的数列
假设时间序列Yt为下式:
则
μt=0,Var(Yt)=tσ2
可以看到这里方差是随时间逐渐加大的
其自协方差和自相关系数为(t<=s):
由于e是独立同分布的所以
γt,s=tσ2
滑动平均
再次利用上面的{e}来构造一个例子
Yt=et+et−12
这就是滑动平均了
他的自协方差和自相关系数有以下性质:
书里有详细的证明,这里不再赘述。
这里可以看出, Yt 的自相关系数在间隔k个单位时都是相同的即对任意t,下式相同
ρt,t−k
平稳性
平稳性是一个重要的概念,它的基本思想是:
序列的特性,不再随着时间的变化而变化。
表现为时间间隔前后的
Yt,Yt−k
有相同的分布。
对于多元函数则是时间间隔k前后的联合分布相同。
为简便起见以后可能会有以下符号:
γk=cov(Yt,Yt−k),ρk=corr(Yt,Yt−k)
对于平稳的条件,书中给出了一个数学上更弱一点的平稳的条件:
1. 均值在所有时间上恒为常数
2. γt,t−k=γ0,k
以后指的平稳若没有特殊说明,都是这个弱平稳。
书中可以证明:对于上面的序列{e}是一个平稳的序列(也叫白噪声),滑动平均也是一个平稳的序列,但是随机漫步不是一个平稳序列。
但是如果将随即漫步差分:
▽Yt=Yt−Yt−1=et
就变成了稳定的序列