多元时间序列预测 —— 向量自回归(VAR)

先来回忆一下单变量 p p p 阶自回归模型 A R ( p ) AR(p) AR(p)
y t = w 0 + ∑ i = 1 p w i y t − i + ϵ t y_t = w_0 + \sum_{i=1}^p w_i y_{t-i} + \epsilon_t yt=w0+i=1pwiyti+ϵt
那么对于多变量情形, y ∈ R n \mathbf{y} \in R^n yRn,可以很自然地推广:
y t = b + ∑ i = 1 p W i y t − i + E t \mathbf{y}_t = \text{b} + \sum_{i=1}^p W_i \mathbf{y}_{t-i} + \text{E}_t yt=b+i=1pWiyti+Et
上式中 W i ∈ R n × n , E t , b ∈ R n W_i \in R^{n\times n}, \quad \text{E}_t,b \in R^n WiRn×n,Et,bRn.

怎么来计算参数 W i W_i Wi 呢?

转化成优化问题:
min ⁡ W i , b ∑ t ∣ ∣ y t − b − ∑ i = 1 p W i y t − i ∣ ∣ 2 2 \min_{W_i,b} \quad \sum_t\left|\left|\mathbf{y}_t - \text{b} - \sum_{i=1}^p W_i \mathbf{y}_{t-i}\right|\right|_2^2 Wi,bmintytbi=1pWiyti22
甚至
min ⁡ W i , b ∑ t ∣ ∣ y t − [ b W 1 W 2 ⋯ W p ] [ 1 y t − 1 y t − 2 ⋮ y t − p ] ∣ ∣ 2 2 \min_{W_i,b} \quad \sum_t\left|\left| \mathbf{y}_t -\left[ \begin{array}{ll} \text{b} & W_1 & W_2 & \cdots & W_p \end{array} \right] \left[ \begin{array}{l} 1\\ \mathbf{y}_{t-1} \\ \mathbf{y}_{t-2}\\ \vdots\\ \mathbf{y}_{t-p} \end{array} \right] \right|\right|_2^2 Wi,bmintyt[bW1W2Wp]1yt1yt2ytp22
这就简单了吧,直接最小二乘法求解即可。

评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值