ARIMA
标签(空格分隔): 时间序列
1. 理论
1.0 基本概念
- 随机变量序列 {Yt:t=0,±1,±2...} 称为一个随机过程
- 自协方差函数: γt,s=Cov(Yt,Ys)
- 自相关函数: ρt,s=γt,sγt,tγs,s√
1.1 平稳(ARMA)
最重要的假设即平稳性
平稳性的基本思想: 决定过程特性的统计规律不随着时间的变化而变化, 从一定意义上来说,过程位于统计的平衡点上。
严平稳: 对一切的时滞k 和 时间点 t1 ,… tn ,都有 Yt1 ,… Ytn 与 Yt1−k ,… Ytn−k 的联合分布相同
弱平稳: (1)均值函数在所有时间上恒为常数
(2) γ t,t−k = γ 0,k ,对所有的时间t和时滞k在本文中,每当单独提及平稳概念时,通常指的都是弱平稳
- 对于平稳过程,自协方差函数 γt,s=γt,s=γ0,|t−s| , 只与时间间隔 |t−s| 有关,而与实际时刻无关,因此,简记为: γk=γt,t−k , ρk=ρt,t−k
1.1.1 一般线性过程
一般线性过程{
Yt
}可以表示成现在和过去白噪声变量的加权线性组合:
1.1.2 MA(moving average)
当有限个系数
ψ
不为0的时候,得到滑动平均过程(滑动权数至
et+1
,
et
,…
et−q+1
得到
Yt+1
)。此时,稍微改变符号,写成:
称为 q 阶滑动平均过程,简记为
1.1.2.1 一般MA(q)过程
对于一般的
MA(q)
过程:
Yt=et−θ1et−1−θ2et−2−...−θqet−q
可计算得到:
ρk
=
1.1.3 AR(Autoregressive)
假定
Yt
的当前值是自身最近p阶滞后项和新息项
et
的线性组合(我们总是可以在方程中用
Yt−u
代替
Yt
,引入非零均值),可得到自回归过程,写成:
称为 p 阶自回归过程,记为
其中 et 包含了序列在 t 期,无法用过去值来解释的所有新信息,因此,假设
1.1.3.0 AR平稳性
上式可用滞后算子表示为:
其中, Φ(L)=(1−ϕ1L1−ϕ2L2−...−ϕpLp) 称为AR算子或特征多项式
对于AR(P), 如果特征方程:
的所有跟的绝对值都大于1,则该过程是一个平稳过程。
1.1.4 ARMA
假定序列中的部分是自回归,部分是滑动平均,可以得到自回归滑动平均模型:
称{ Yt }为自回归滑动平均混合过程,简记为 ARMA(p,q) .
1.2 非平稳(ARIMA)
具有时变均值的任何时间序列都是非平稳的,eg:
的模型(其中 μt 是时变均值函数, Xt 是零均值平稳序列)
1.2.1 ARIMA
如果一个时间序列{ Yt }的d次差分 Wt=∇dYt 是一个平稳的 ARMA 过程,服从 ARMA(p,q) 模型,我们称 {Yt} 是 ARIMA(p,d,q) 过程。实际上,通常取 d=1 或最多为2.
1.3 季节性
1.3.1 季节ARMA模型
季节周期为s的Q阶季节
MA(Q)
模型如下:
其季节 MA 特征多项式如下:
显然,该序列总是平稳的,且其自相关函数只在 s,2s,...,Qs 等季节滞后上非零,特别的:
季节周期为s的P阶季节
AR(P)
模型如下:
其季节特征多项式为:
通常要求 et 独立于 Yt−1,Yt−2,..., 而且为了保证平稳性,要求特征方程 Φ(x)=0 的所有根的绝对值都大于1。
1.3.2 乘法季节ARMA
可以构造一类模型,它们不仅在季节滞后上包含相关性,而且在邻近序列值的更小滞后上依然包含相关性。eg:考虑一个
MA
模型,其特征多项式如下:
展开后得到 1−θx−Θx12+θΘx13 .因此相应的时间序列满足下式:
Yt=et−θet−1−Θet−12+θΘet−13
一般定义季节周期为
s
的乘法季节
θ(x) 和 Θ(x) 同理。
eg:假设 P=q=1,p=Q=0 且 s=12 ,则模型为:
1.3.3 乘法季节ARIMA
考虑如下的时间序列
Yt
:
其中:
其中{ et },{ εt }和{ ξt }是相互独立的白噪声序列。这里将同时应用季节差分和普通的非季节查分来得到:
这里所定义的过程是平稳的,且只在1,s-1,s和s + 1等滞后上有非零相关性,这同季节周期为s的乘法季节模型 ARMA(0,1)×(0,1) 的相关结构一致。
过程
{Yt}
称为季节周期为
s
、非季节阶数为
满足某季节周期为 s 的
经验证明,这些模型足够拟合许多序列,通常模型也只要用三四个那样很少的几个参数。