R语言入门（2）时间序列分析原理

最新推荐文章于 2024-09-19 12:21:20 发布

LiuYuan_BJTU

最新推荐文章于 2024-09-19 12:21:20 发布

阅读量1w

点赞数 2

分类专栏： r语言文章标签： r语言

本文链接：https://blog.csdn.net/LiuYuan_BJTU/article/details/68922443

版权

本文介绍了R语言中的时间序列分析，包括随机游走模型及其衍生的AR(1)模型，详细阐述了ADF单位根检验原理，并探讨了最小二乘法在回归分析中的应用，同时还涉及概率论与统计学的相关知识，如自协方差函数和自相关函数。

摘要由CSDN通过智能技术生成

1、随机游走模型

1.1 基本介绍

随机游走模型是时间序列分析中最基本的概念，是一个著名的非平稳序列。公式如下：

Y t = Y t - 1 + u t

$Y_t = Y_{t-1} + u_t$
式中，

ut $u_t$ 是一个随机误差，我们通常假设它服从（0，1）的正态分布。根据公式，我们可以推导得出，随机游走模型的均值

E(Yt) $E(Y_t)$ 是一个常量0，不随时间变化，而方差

Var(Yt)=t×Var(u) $Var(Y_t)=t\times Var(u)$ ，随时间变化，这就说明该随机游走模型是非平稳的。很简单，这里不作推导了。

可以用R来生成一个服从随机游走模型的时间序列，代码如下：
（1）首先参考这篇博客用R生成一组随机数据的方法，具体方法如下：

# 常用随机数字 
runif(n,min=0,max=1)           #uniform，均匀分布 
rnorm(n,mean=0,sd=1)           #Gaussian(normal)，正态分布 
rexp(n,rate=1)                 #exponential，指数分布 
rlnorm(n,meanlog=0,sdlog=1)    #lognormal，对数正态分布

（2）然后一列全为0的数组，循环计算出每一个点，得到时间序列。最后对时间序列作平稳性检验。

x <- matrix(0, 1000, 1)
for (i in 1:1000) {
    x[i+1] <- x[i] + rnorm(1)
}
plot(x, type = "l")
library(tseries)
adf.test(x)

图1 随机游走模型

1.2 衍生模型-AR(1)模型

我们在随机模型的基础上增加一个系数a，来看看时间序列是否平稳。其实这就是 $AR(1)$ 模型，也就是说随机游走模型是AR(1)模型的特例。

Y t = a * Y t - 1 + u t

$Y_t =a* Y_{t-1} + u_t$
（1）当 $a=0$ 时，时间序列如下图所示
这里写图片描述

平稳性检验结果如下。p值小于0.05，在0.05的置信水平下，拒绝原假设，选择备择假设：该时间序列平稳。

> adf.test(x)

    Augmented Dickey-Fuller Test

data:  x
Dickey-Fuller = -9.8862, Lag order = 9, p-value = 0.01
alternative hypothesis: stationary

（2）当 $a=0.5$ 时，时间序列如下图所示
这里写图片描述
平稳性检验结果如下。p值小于0.05，在0.05的置信水平下，拒绝原假设，选择备择假设：该时间序列平稳。

> adf.test(x)

    Augmented Dickey-Fuller Test

data:  x
Dickey-Fuller = -9.5753, Lag order = 9, p-value = 0.01
alternative hypothesis: stationary

（3）当 $a=0.9$ 时，时间序列如下图所示
这里写图片描述
平稳性检验结果如下。p值小于0.05，在0.05的置信水平下，拒绝原假设，选择备择假设：该时间序列平稳。

> adf.test(x)

    Augmented Dickey-Fuller Test

data:  x
Dickey-Fuller = -6.4184, Lag order = 9, p-value = 0.01
alternative hypothesis: stationary

（4）当 $a=1.1$ 时，时间序列如下图所示
这里写图片描述
很显然，该时间序列是非平稳序列。

综上所述，对于模型 $Y_t =a* Y_{t-1} + u_t$ 而言：
当 $0<a<1$ 时，该模型是平稳序列。
当 $a>= 1$ 时，该模型是非平稳序列。
从公式上来理解就是，

E (Y t) = a * E (Y t - 1)

$E(Y_t) = a *E(Y_{t-1})$

For instance, if X(t – 1 ) = 1, E[X(t)] = 0.5 ( for a = 0.5) . Now, if X moves to any direction from zero, it is pulled back to zero in next step. The only component which can drive it even further is the error term. Error term is equally probable to go in either direction. What happens when the Rho becomes 1? No force can pull the X down in the next step.
具体可以看这篇国外博客