时间序列分析及应用 R语言 读书笔记 02

第二章 基本概念

$Y_t$代表时间序列t时刻的值

自协方差函数$\gamma_{t,s}$

$$\gamma_{t,s}=cov(Y_t,Y_s)=E[(Y_t-\mu_t)(Y_s-\mu_s)]=E(Y_tY_s)-\mu_t\mu_s$$

自相关函数

$$\rho_{t,s}=corr(Y_tY_s)=\frac{cov(Y_tY_s)}{\sqrt{Var(Y_t)Var(Y_s)}}=\frac{\gamma_{t,s}}{\sqrt{\gamma_{t,t}\gamma_{s,s}}}$$
当 $\rho$接近 $\pm1$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$e_1,e_2...e_t$是均值为为0，方差为$\sigma^2$，独立同分布的数列
假设时间序列Yt为下式：

则$\mu_t=0,Var(Y_t)=t\sigma^2$
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
$\gamma_{t,s}=t\sigma^2$

滑动平均

再次利用上面的{e}来构造一个例子

$$Y_t=\frac{e_t+e_{t-1}}{2}$$
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， $Y_t$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 $$\rho_{t,t-k}$$

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$Y_t,Y_{t-k}$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：

$$\gamma_k=cov(Y_t,Y_{t-k}),\rho_k=corr(Y_t,Y_{t-k})$$
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. $\gamma_{t,t-k}=\gamma_{0,k}$
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：
$\bigtriangledown Y_t=Y_t-Y_{t-1}=e_t$就变成了稳定的序列