文章目录
九、 A R ( p ) {\rm AR}(p) AR(p)序列的谱密度及其他性质
1. A R ( p ) {\rm AR}(p) AR(p)序列的谱密度与反演公式
平稳序列有唯一的谱函数,
A
R
(
p
)
{\rm AR}(p)
AR(p)序列也不例外。由于
A
R
(
p
)
{\rm AR}(p)
AR(p)序列属于无穷滑动和,所以线性平稳序列的谱密度公式依然适用,并且可以和特征多项式建立联系,即
f
(
λ
)
=
σ
2
2
π
∣
∑
j
=
−
∞
∞
ψ
j
e
i
j
λ
∣
2
=
σ
2
2
π
∣
∑
j
=
0
∞
ψ
j
e
i
j
λ
∣
2
=
σ
2
2
π
[
A
−
1
(
e
i
λ
)
]
2
=
σ
2
2
π
∣
A
(
e
i
λ
)
∣
2
.
f(\lambda) =\frac{\sigma^2}{2\pi}\left|\sum_{j=-\infty}^\infty \psi_je^{{\rm i}j\lambda} \right|^2 =\frac{\sigma^2}{2\pi}\left|\sum_{j=0}^\infty \psi_je^{{\rm i}j\lambda} \right|^2 =\frac{\sigma^2}{2\pi}[A^{-1}(e^{{\rm i}\lambda})]^2 =\frac{\sigma^2}{2\pi|A(e^{{\rm i}\lambda})|^2}.
f(λ)=2πσ2∣∣∣∣∣j=−∞∑∞ψjeijλ∣∣∣∣∣2=2πσ2∣∣∣∣∣j=0∑∞ψjeijλ∣∣∣∣∣2=2πσ2[A−1(eiλ)]2=2π∣A(eiλ)∣2σ2.
从谱密度的表达式中,我们可以看到,
f
(
λ
)
f(\lambda)
f(λ)在
λ
=
λ
j
\lambda =\lambda_j
λ=λj的地方会表现出峰值,并且当
ρ
j
→
1
\rho_j\to 1
ρj→1时
f
(
λ
j
)
→
∞
f(\lambda_j)\to \infty
f(λj)→∞,谱密度的存在性就会难以保持,也就是
A
R
(
p
)
{\rm AR}(p)
AR(p)序列的平稳性遭到破坏。
之前我们在定义谱密度时,是根据自协方差函数来的,只有谱密度作为输入、自协方差函数作为输出的计算式。现在,对于自协方差函数列绝对可和的情况,我们将提出谱密度的自协方差函数反演公式,这是自协方差函数作为输入、谱密度作为输出的计算式。
自协方差函数反演公式:如果平稳序列 { X t } \{X_t\} {Xt}的自协方差函数 { γ k } \{\gamma_k\} {γk}绝对可和,则 { X t } \{X_t\} {Xt}的谱密度是
f ( λ ) = 1 2 π ∑ k = − ∞ ∞ γ k e − i k λ = 1 2 π ∑ k = − ∞ ∞ γ k cos ( k λ ) = 1 2 π [ γ 0 + 2 ∑ k = 1 ∞ γ k cos ( k λ ) ] . f(\lambda) =\frac 1{2\pi}\sum_{k=-\infty}^\infty \gamma_ke^{-{\rm i}k\lambda} =\frac 1{2\pi}\sum_{k=-\infty}^\infty \gamma_k\cos(k\lambda) =\frac 1{2\pi}\left[\gamma_0+2\sum_{k=1}^\infty\gamma_k\cos (k\lambda) \right]. f(λ)=2π1k=−∞∑∞γke−ikλ=2π1k=−∞∑∞γkcos(kλ)=2π1[γ0+2k=1∑∞γkcos(kλ)].
这里第二个等号由谱密度是实函数保证,绝对可和保证谱密度在 [ − π , π ] [-\pi,\pi] [−π,π]上是处处收敛的。
要证明这个公式,只需要保证
f
(
λ
)
f(\lambda)
f(λ)在
[
−
π
,
π
]
[-\pi,\pi]
[−π,π]上是非负的,并且满足
γ
k
=
∫
−
π
π
f
(
λ
)
e
i
k
λ
d
λ
\gamma_k=\int_{-\pi}^\pi f(\lambda)e^{{\rm i}k\lambda}{\rm d}\lambda
γk=∫−ππf(λ)eikλdλ。这里,后面的等式比较容易验证,即
∫
−
π
π
(
1
2
π
∑
j
=
−
∞
∞
γ
j
e
−
i
j
λ
)
e
i
k
λ
d
λ
=
1
2
π
∑
j
=
−
∞
∞
γ
j
∫
−
π
π
e
−
i
(
k
−
j
)
λ
d
λ
=
1
2
π
∑
j
=
−
∞
∞
γ
j
⋅
2
π
δ
k
−
j
=
γ
k
.
\begin{aligned} &\int_{-\pi}^\pi \left(\frac 1{2\pi}\sum_{j=-\infty}^\infty \gamma_je^{-{\rm i}j\lambda}\right)e^{{\rm i}k\lambda}{\rm d}\lambda\\ =&\frac 1{2\pi}\sum_{j=-\infty}^\infty\gamma_j \int_{-\pi}^\pi e^{-{\rm i}(k-j)\lambda}{\rm d}\lambda\\ =&\frac 1{2\pi}\sum_{j=-\infty}^\infty\gamma_j\cdot2\pi\delta_{k-j}\\ =&\gamma_k. \end{aligned}
===∫−ππ(2π1j=−∞∑∞γje−ijλ)eikλdλ2π1j=−∞∑∞γj∫−ππe−i(k−j)λdλ2π1j=−∞∑∞γj⋅2πδk−jγk.
接下来就要验证
f
(
λ
)
f(\lambda)
f(λ)是非负的,引入“周期图”为
I
N
(
λ
)
=
1
2
π
N
∣
∑
j
=
1
N
X
j
e
i
j
λ
∣
2
I_N(\lambda)=\frac{1}{2\pi N}|\sum\limits_{j=1}^NX_je^{{\rm i}j\lambda}|^2
IN(λ)=2πN1∣j=1∑NXjeijλ∣2,这里
X
i
X_i
Xi是
{
X
t
}
\{X_t\}
{Xt}的观测值,对其求期望,有
f
(
λ
)
=
E
I
N
(
λ
)
=
1
2
π
N
E
(
∑
j
=
1
N
X
j
e
i
j
λ
)
(
∑
k
=
1
N
X
k
e
i
k
λ
‾
)
=
1
2
π
N
∑
j
=
1
N
∑
k
=
1
N
γ
j
−
k
e
−
i
(
j
−
k
)
λ
d
λ
=
1
2
π
N
∑
m
=
−
(
N
−
1
)
N
−
1
(
N
−
∣
m
∣
)
γ
m
e
−
i
m
λ
d
λ
=
1
2
π
∑
m
=
−
N
N
−
1
γ
m
e
−
i
m
λ
d
λ
−
1
2
π
N
∑
m
=
1
−
N
N
−
1
∣
m
∣
γ
m
e
−
i
m
λ
d
λ
.
\begin{aligned} &f(\lambda)={\rm E}I_N(\lambda)\\ =&\frac 1{2\pi N}{\rm E}\left(\sum_{j=1}^NX_je^{{\rm i}j\lambda} \right)\left(\overline{\sum_{k=1}^NX_ke^{{\rm i}k\lambda }} \right)\\ =&\frac 1{2\pi N}\sum_{j=1}^N\sum_{k=1}^N\gamma_{j-k}e^{-{\rm i}(j-k)\lambda}{\rm d}\lambda \\ =&\frac 1{2\pi N}\sum_{m=-(N-1)}^{N-1}(N-|m|)\gamma_me^{-{\rm i}m\lambda }{\rm d}\lambda \\ =&\frac 1{2\pi}\sum_{m=-N}^{N-1}\gamma_me^{-{\rm i}m\lambda }{\rm d}\lambda -\frac 1{2\pi N}\sum_{m=1-N}^{N-1}|m|\gamma_me^{-{\rm i}m\lambda}{\rm d}\lambda . \end{aligned}
====f(λ)=EIN(λ)2πN1E(j=1∑NXjeijλ)⎝⎛k=1∑NXkeikλ⎠⎞2πN1j=1∑Nk=1∑Nγj−ke−i(j−k)λdλ2πN1m=−(N−1)∑N−1(N−∣m∣)γme−imλdλ2π1m=−N∑N−1γme−imλdλ−2πN1m=1−N∑N−1∣m∣γme−imλdλ.
对此式做一下解读。第一行到第二行是直接的;第二行到第三行因为是有限项,所以期望与求和可交换;第三行到第四行运用双重求和的简化,具体见下面的说明;第四行到第五行就是简单的拆开。
对于二重的求和, j , k j,k j,k都从 1 ∼ N 1\sim N 1∼N,假设每一个需要求和的项是 S j , k S_{j,k} Sj,k,则整个排列是
[ S 1 , 1 S 1 , 2 S 1 , 3 ⋯ S 1 , N S 2 , 1 S 2 , 2 S 2 , 3 ⋯ S 2 , N S 3 , 1 S 3 , 2 S 3 , 3 ⋯ S 3 , N ⋮ ⋮ ⋮ ⋮ S N , 1 S N , 2 S N , 3 ⋯ S N , N ] . \begin{bmatrix} S_{1,1}&S_{1,2}&S_{1,3}&\cdots&S_{1,N}\\ S_{2,1}&S_{2,2}&S_{2,3}&\cdots&S_{2,N}\\ S_{3,1}&S_{3,2}&S_{3,3}&\cdots&S_{3,N}\\ \vdots&\vdots&\vdots&&\vdots\\ S_{N,1}&S_{N,2}&S_{N,3}&\cdots&S_{N,N} \end{bmatrix}. ⎣⎢⎢⎢⎢⎢⎡S1,1S2,1S3,1⋮SN,1S1,2S2,2S3,2⋮SN,2S1,3S2,3S3,3⋮SN,3⋯⋯⋯⋯S1,NS2,NS3,N⋮SN,N⎦⎥⎥⎥⎥⎥⎤.
现在按照下标的差值 j − k j-k j−k排列,则每个与对角线平行的直线上, j − k j-k j−k应该相同,且 j − k = m j-k=m j−k=m的 S j , k S_{j,k} Sj,k应该有 N − ∣ m ∣ N-|m| N−∣m∣个。因此得到第三行到第四行的求和公式。
到达这一步后,
f
(
λ
)
f(\lambda)
f(λ)被分成两部分,后一部分是
1
2
π
N
∑
j
=
1
−
N
N
−
1
∣
j
∣
γ
j
e
−
i
j
λ
,
\frac{1}{2\pi N}\sum_{j=1-N}^{N-1}|j|\gamma_je^{-{\rm i}j\lambda},
2πN1j=1−N∑N−1∣j∣γje−ijλ,
由Kronecker引理,这一项随着
N
N
N增大是趋向于0的,而前一部分
1
2
π
∑
j
=
1
−
N
N
−
1
γ
j
e
−
i
j
λ
\frac 1{2\pi}\sum\limits_{j=1-N}^{N-1}\gamma_je^{-{\rm i}j\lambda}
2π1j=1−N∑N−1γje−ijλ
随着
N
N
N增大,最终就得到我们预设的谱密度形式
1
2
π
∑
j
=
−
∞
∞
γ
j
e
−
i
j
λ
.
\frac 1{2\pi}\sum_{j=-\infty}^\infty \gamma_je^{-{\rm i}j\lambda}.
2π1j=−∞∑∞γje−ijλ.
也就是说,假设
f
(
λ
)
f(\lambda)
f(λ)如同我们预设的形式,那么就有
f
(
λ
)
=
lim
N
→
∞
f
N
(
λ
)
=
lim
N
→
∞
E
I
N
(
λ
)
≥
0.
f(\lambda)=\lim_{N\to \infty}f_N(\lambda)=\lim_{N\to \infty}{\rm E}I_N(\lambda)\ge0.
f(λ)=N→∞limfN(λ)=N→∞limEIN(λ)≥0.
得到我们要证明的结论——
f
(
λ
)
f(\lambda)
f(λ)非负,这样才能说明
f
(
λ
)
f(\lambda)
f(λ)就是
{
γ
k
}
\{\gamma_k\}
{γk}的谱密度。
Kronecker引理:设实数列或复数列 ∑ j = 1 n x j \sum_{j=1}^nx_j ∑j=1nxj收敛,非负实数列 b n b_n bn单调递增且趋向于 + ∞ +\infty +∞,那么
lim n → ∞ ∑ j = 1 n b j x j b n = 0. \lim_{n\to \infty}\frac{\sum_{j=1}^nb_jx_j}{b_n}=0. n→∞limbn∑j=1nbjxj=0.
对实数列情形给出证明,设 A n = ∑ j = 1 n x j → A A_n=\sum_{j=1}^n x_j\to A An=∑j=1nxj→A,则 x n = A n − A n − 1 x_n=A_n-A_{n-1} xn=An−An−1,
∑ j = 1 n b j x j = ∑ j = 1 n b j ( A j − A j − 1 ) = b 1 A 1 + b 2 A 2 − b 2 A 1 + b 3 A 3 − b 3 A 2 ⋯ + b n A n − b n A n − 1 = ∑ j = 1 n − 1 A j ( b j − b j + 1 ) + b n A n \begin{aligned} &\sum_{j=1}^n b_jx_j=\sum_{j=1}^nb_j(A_j-A_{j-1})\\ =&b_1A_1+b_2A_2-b_2A_1+b_3A_3-b_3A_2\cdots+b_nA_n-b_nA_{n-1}\\ =&\sum_{j=1}^{n-1}A_j(b_j-b_{j+1})+b_nA_n\\ \end{aligned} ==j=1∑nbjxj=j=1∑nbj(Aj−Aj−1)b1A1+b2A2−b2A1+b3A3−b3A2⋯+bnAn−bnAn−1j=1∑n−1Aj(bj−bj+1)+bnAn
那么
lim n → ∞ ∑ j = 1 n b j x j b n = lim n → ∞ ∑ j = 1 n A j ( b j − b j + 1 ) b n + A = S t o l z A − lim n → ∞ A n − 1 ( b n − b n − 1 ) b n − b n − 1 = 0. \begin{aligned} &\lim_{n\to \infty}\frac{\sum_{j=1}^n b_jx_j}{b_n}\\ =&\lim_{n\to \infty}\frac{\sum_{j=1}^n A_j(b_j-b_{j+1})}{b_n}+A\\ \xlongequal{\rm Stolz}&A-\lim_{n\to \infty}\frac{A_{n-1}(b_n-b_{n-1})}{b_n-b_{n-1}}\\ =&0. \end{aligned} =Stolz=n→∞limbn∑j=1nbjxjn→∞limbn∑j=1nAj(bj−bj+1)+AA−n→∞limbn−bn−1An−1(bn−bn−1)0.
对于题目中要验证的数列,显然 b N = N b_N=N bN=N单调递增且趋向于无穷大,将求和的部分分为正数、零、负数三部分,考虑正数部分,原式为 ∑ j = 1 N − 1 ∣ j ∣ x j , x j = γ j e − i j λ \sum_{j=1}^{N-1}|j|x_j,x_j=\gamma_je^{-{\rm i}j\lambda} ∑j=1N−1∣j∣xj,xj=γje−ijλ,由于 γ j \gamma_j γj以负指数阶收敛于0,所以其绝对可和,也就是 ∑ x j \sum x_j ∑xj存在,所以由Kronecker引理,得到正数部分的求和极限为0,同理对负数也是0,在 j = 0 j=0 j=0一个点处的极限仍然是0。所以,后一部分随着 N N N增大收敛于0。
结合反演公式和无穷滑动和的谱密度,得到以下等式:
f
(
λ
)
=
1
2
π
∑
j
=
−
∞
∞
γ
j
e
−
i
j
λ
=
σ
2
2
π
∣
A
(
e
i
λ
)
∣
2
.
f(\lambda)=\frac1{2\pi}\sum_{j=-\infty}^\infty\gamma_je^{-{\rm i}j\lambda}=\frac{\sigma^2}{2\pi|A(e^{{\rm i}\lambda})|^2}.
f(λ)=2π1j=−∞∑∞γje−ijλ=2π∣A(eiλ)∣2σ2.
2.自协方差函数的周期性
之前我们说过,如果 A ( z ) A(z) A(z)有靠近单位圆的根,则通解收敛于平稳解的速度会比较缓慢,在收敛之前,我们还能看到样本的轨迹。这就是我们要讨论的自协方差函数的周期性,通过周期性的讨论,我们可以看到在收敛趋势还不明显的时候,相隔一定时间的样本点之间呈现一定的相关度。
由Yule-Walker方程,
A
(
B
)
γ
k
=
σ
2
ψ
−
k
A(\mathscr B)\gamma_k=\sigma^2\psi_{-k}
A(B)γk=σ2ψ−k,可以反解得到
γ
k
=
σ
2
A
−
1
(
B
)
ψ
−
k
\gamma_k=\sigma^2A^{-1}(\mathscr B)\psi_{-k}
γk=σ2A−1(B)ψ−k。要想通过这个式子验证
γ
k
\gamma_k
γk的周期性,需要对
A
−
1
(
B
)
A^{-1}(\mathscr B)
A−1(B)进行分解。假设
A
(
z
)
A(z)
A(z)的所有根互异,则有以下的因式分解:
A
(
z
)
=
(
1
−
z
/
z
1
)
⋯
(
1
−
z
/
z
p
)
,
A
−
1
(
z
)
=
1
(
1
−
z
/
z
1
)
(
1
−
z
/
z
2
)
⋯
(
1
−
z
/
z
p
)
=
c
1
1
−
z
/
z
1
+
⋯
+
c
p
1
−
z
/
z
p
.
A(z)=(1-z/z_1)\cdots (1-z/z_p),\\ A^{-1}(z)=\frac1{(1-z/z_1)(1-z/z_2)\cdots(1-z/z_p)}=\frac{c_1}{1-z/z_1}+\cdots+\frac{c_p}{1-z/z_p}.
A(z)=(1−z/z1)⋯(1−z/zp),A−1(z)=(1−z/z1)(1−z/z2)⋯(1−z/zp)1=1−z/z1c1+⋯+1−z/zpcp.
这里
c
i
=
∏
k
≠
i
z
i
∏
k
≠
i
(
z
k
−
z
i
)
.
c_i=\frac{\prod_{k\ne i}z_i}{\prod_{k\ne i}(z_k-z_i)}.
ci=∏k=i(zk−zi)∏k=izi.
也就是说可以将
A
−
1
(
z
)
A^{-1}(z)
A−1(z)进行有理分式分解,分解细节可以忽略。代回就有
γ
k
=
σ
2
A
−
1
(
B
)
ψ
−
k
=
σ
2
∑
j
=
1
p
c
j
(
1
−
z
j
−
1
B
)
−
1
ψ
−
k
=
σ
2
∑
j
=
1
p
c
j
∑
l
=
0
∞
(
z
j
−
1
B
)
l
ψ
−
k
=
σ
2
∑
j
=
1
p
c
j
∑
l
=
0
∞
z
j
−
l
ψ
−
k
+
l
=
σ
2
∑
j
=
1
p
c
j
∑
l
=
k
∞
z
j
−
l
ψ
l
−
k
=
σ
2
∑
j
=
1
p
c
j
∑
l
=
k
∞
ψ
l
−
k
z
j
−
(
l
−
k
)
−
k
=
σ
2
∑
j
=
1
p
c
j
∑
l
=
0
∞
ψ
l
z
j
−
l
z
j
−
k
=
σ
2
∑
j
=
1
p
c
j
A
−
1
(
z
j
−
1
)
ρ
j
−
k
e
−
i
k
λ
j
=
Δ
σ
2
∑
j
=
1
p
A
j
ρ
j
−
k
cos
(
k
λ
j
+
θ
j
)
,
k
≥
0.
\begin{aligned} \gamma_k=&\sigma^2A^{-1}(\mathscr B)\psi_{-k}\\ =&\sigma^2\sum_{j=1}^p c_j(1-z_j^{-1}\mathscr B)^{-1}\psi_{-k}\\ =&\sigma^2\sum_{j=1}^p c_j\sum_{l=0}^\infty (z_j^{-1}\mathscr B)^l\psi_{-k}\\ =&\sigma^2\sum_{j=1}^pc_j\sum_{l=0}^\infty z_j^{-l}\psi_{-k+l}\\ =&\sigma^2\sum_{j=1}^pc_j\sum_{l=k}^\infty z_j^{-l}\psi_{l-k}\\ =&\sigma^2\sum_{j=1}^pc_j\sum_{l=k}^\infty \psi_{l-k}z_j^{-(l-k)-k}\\ =&\sigma^2\sum_{j=1}^pc_j\sum_{l=0}^\infty \psi_lz_j^{-l}z_j^{-k}\\ =&\sigma^2\sum_{j=1}^pc_jA^{-1}(z_j^{-1})\rho_j^{-k}e^{-{\rm i}k\lambda_j}\\ \stackrel\Delta=&\sigma^2\sum_{j=1}^pA_j\rho_j^{-k}\cos(k\lambda_j+\theta_j),\quad k\ge 0. \end{aligned}
γk=========Δσ2A−1(B)ψ−kσ2j=1∑pcj(1−zj−1B)−1ψ−kσ2j=1∑pcjl=0∑∞(zj−1B)lψ−kσ2j=1∑pcjl=0∑∞zj−lψ−k+lσ2j=1∑pcjl=k∑∞zj−lψl−kσ2j=1∑pcjl=k∑∞ψl−kzj−(l−k)−kσ2j=1∑pcjl=0∑∞ψlzj−lzj−kσ2j=1∑pcjA−1(zj−1)ρj−ke−ikλjσ2j=1∑pAjρj−kcos(kλj+θj),k≥0.
这里的证明稍显繁琐,第二行到第三行运用了级数展开即
1
/
(
1
−
x
)
=
∑
j
=
0
∞
x
j
1/(1-x)=\sum\limits_{j=0}^\infty x^j
1/(1−x)=j=0∑∞xj,最后一行定义
A
j
cos
(
λ
j
k
+
θ
j
)
A_j\cos(\lambda_jk+\theta_j)
Ajcos(λjk+θj)为
c
j
A
−
1
(
z
j
−
1
)
e
−
i
λ
j
k
c_jA^{-1}(z_j^{-1})e^{-{\rm i}\lambda _jk}
cjA−1(zj−1)e−iλjk的实部。可以看出,如果
ρ
j
\rho_j
ρj接近1,
γ
k
\gamma_k
γk收敛的比较慢,则它的频率特性就会开始增强,而且最小的
ρ
j
\rho_j
ρj对应的角频率
λ
j
\lambda_j
λj会显现得越明显(因为收敛的慢,显示的出来)。
结合谱密度的表达式
f
(
λ
)
=
σ
2
2
π
∣
A
(
e
i
λ
)
∣
2
f(\lambda)=\frac{\sigma^2}{2\pi|A(e^{{\rm i}\lambda})|^2}
f(λ)=2π∣A(eiλ)∣2σ2
可以看到,在
ρ
j
\rho_j
ρj越小的地方
f
(
λ
)
f(\lambda)
f(λ)越大,如果它趋近于1, 则
{
X
t
}
\{X_t\}
{Xt}的平稳性会遭到破坏。
3. A R ( p ) {\rm AR}(p) AR(p)序列没有完全可预测性
最后,我们简要地介绍一下时间序列的完全可预测性,先从随机变量的完全线性预测开始。
随机变量线性相关:对于方差有限的随机变量 Y 1 , ⋯ , Y n Y_1,\cdots,Y_n Y1,⋯,Yn,如果存在一组常数 b 0 , ⋯ , b n b_0,\cdots,b_n b0,⋯,bn,使得
E ( ∑ j = 1 n b j Y j − b 0 ) 2 = 0 , {\rm E}\left(\sum_{j=1}^n b_jY_j-b_0 \right)^2=0, E(j=1∑nbjYj−b0)2=0,
就称随机变量 Y 1 , ⋯ , Y n Y_1,\cdots,Y_n Y1,⋯,Yn是线性相关的,否则称为线性无关的。完全线性预测:如果 Y 1 , ⋯ , Y n Y_1,\cdots,Y_n Y1,⋯,Yn线性相关且 b n ≠ 0 b_n\ne 0 bn=0,那么 Y n Y_n Yn可以被 Y 1 , ⋯ , Y n − 1 Y_1,\cdots,Y_{n-1} Y1,⋯,Yn−1线性表示,此时就称 Y n Y_n Yn可以被 Y 1 , ⋯ , Y n − 1 Y_1,\cdots,Y_{n-1} Y1,⋯,Yn−1完全线性预测。
对于平稳序列
{
X
t
}
\{X_t\}
{Xt},如果其
n
n
n阶自协方差矩阵为
Γ
n
\Gamma_n
Γn,
n
n
n维向量
b
=
(
b
1
,
⋯
,
b
n
)
′
\boldsymbol b=(b_1,\cdots,b_n)'
b=(b1,⋯,bn)′,那么
E
(
∑
j
=
1
n
b
j
X
t
−
j
−
b
0
)
2
≥
E
[
∑
j
=
1
n
b
j
(
X
t
−
j
−
E
X
t
)
]
2
=
b
′
Γ
n
b
≥
0.
{\rm E}\left(\sum_{j=1}^n b_jX_{t-j}-b_0 \right)^2\ge {\rm E}\left[\sum_{j=1}^nb_j(X_{t-j}-{\rm E}X_t) \right]^2=\boldsymbol b'\Gamma_n\boldsymbol b\ge0.
E(j=1∑nbjXt−j−b0)2≥E[j=1∑nbj(Xt−j−EXt)]2=b′Γnb≥0.
第一个不等号成立,是因为随机变量的均值是其最佳线性预测。这个不等式告诉我们,对于平稳序列
{
X
t
}
\{X_t\}
{Xt},只有当其自协方差矩阵退化时,才能让
X
t
−
1
,
⋯
,
X
t
−
n
X_{t-1},\cdots,X_{t-n}
Xt−1,⋯,Xt−n线性相关,才有完全可预测的可能。对于
Γ
n
\Gamma_n
Γn正定的情形,一定有
X
t
−
1
,
⋯
,
X
t
−
n
X_{t-1},\cdots,X_{t-n}
Xt−1,⋯,Xt−n线性无关,也就是
X
n
X_n
Xn不可能被
X
1
,
⋯
,
X
n
−
1
X_1,\cdots,X_{n-1}
X1,⋯,Xn−1完全线性预测。
特别对于 A R ( p ) {\rm AR}(p) AR(p)序列,我们已经证明了其自协方差函数函数是正定的,所以 X n X_n Xn不能由 X 1 , ⋯ , X n − 1 X_1,\cdots,X_{n-1} X1,⋯,Xn−1完全线性预测。
回顾总结
-
A R ( p ) {\rm AR}(p) AR(p)序列也是线性平稳序列,故存在唯一的谱密度为
f ( λ ) = σ 2 2 π ∣ ∑ j = 0 ∞ ψ j e i j λ ∣ 2 = σ 2 2 π ∣ A ( e i λ ) ∣ 2 . f(\lambda)=\frac{\sigma^2}{2\pi}\left|\sum_{j=0}^\infty \psi_je^{{\rm i}j\lambda} \right|^2=\frac{\sigma^2}{2\pi|A(e^{{\rm i}\lambda})|^2}. f(λ)=2πσ2∣∣∣∣∣j=0∑∞ψjeijλ∣∣∣∣∣2=2π∣A(eiλ)∣2σ2. -
对于自协方差函数 { γ k } \{\gamma_k\} {γk}绝对可和的情况,平稳序列存在谱密度自协方差函数反演公式为:
f ( λ ) = 1 2 π ∑ j = − ∞ ∞ γ k e − i k λ = 1 2 π [ γ 0 + 2 ∑ j = 1 ∞ γ j cos ( λ j ) ] . f(\lambda)=\frac1{2\pi}\sum_{j=-\infty}^\infty\gamma_ke^{-{\rm i}k\lambda}=\frac 1{2\pi}\left[\gamma_0+2\sum_{j=1}^\infty \gamma_j\cos(\lambda j) \right]. f(λ)=2π1j=−∞∑∞γke−ikλ=2π1[γ0+2j=1∑∞γjcos(λj)]. -
当 ρ j \rho_j ρj比较接近1时, A R ( p ) {\rm AR}(p) AR(p)序列的自协方差函数呈现出周期性。所有 z j z_j zj中 ρ j \rho_j ρj最小的那个对应的角频率 λ j \lambda_j λj最为重要。
-
时间序列的完全可预测性,指的是从其历史观测可以完全预测未来的值,蕴含着平稳序列的线性相关性。 A R ( p ) {\rm AR}(p) AR(p)序列没有完全可预测性。