文章目录
十二、 M A ( q ) {\rm MA}(q) MA(q)模型
1. M A ( q ) {\rm MA}(q) MA(q)模型的定义
M
A
(
q
)
{\rm MA}(q)
MA(q)模型指的是滑动平均(Moving Average)模型,我们曾经在《二、线性平稳序列》中提到过MA,即有限运动平均,当时我们把白噪声的有限滑动平均定义为
X
t
=
a
0
ε
t
+
a
1
ε
t
−
1
+
⋯
+
a
q
ε
t
−
q
,
X_t=a_0\varepsilon_t+a_1\varepsilon_{t-1}+\cdots+a_q\varepsilon_{t-q},
Xt=a0εt+a1εt−1+⋯+aqεt−q,
现在,我们对这个定义稍加修改,就成为了
M
A
(
q
)
{\rm MA}(q)
MA(q)模型。
M A ( q ) {\rm MA}(q) MA(q)模型:设 { ε t } ∼ W N ( 0 , σ 2 ) \{\varepsilon_t\}\sim {\rm WN}(0,\sigma^2) {εt}∼WN(0,σ2),如果实数 b 1 , ⋯ , b q ( b q ≠ 0 ) b_1,\cdots,b_q(b_q\ne 0) b1,⋯,bq(bq=0)使得
B ( z ) = 1 + ∑ j = 1 q b j z j ≠ 0 , ∣ z ∣ < 1 , B(z)=1+\sum_{j=1}^q b_jz^j\ne0,\quad |z|<1, B(z)=1+j=1∑qbjzj=0,∣z∣<1,
就称
X t = ε t + ∑ j = 1 q b j ε t − j = B ( B ) ε t , t ∈ Z X_t=\varepsilon_t+\sum_{j=1}^qb_j\varepsilon_{t-j}=B(\mathscr B)\varepsilon_t,\quad t\in\Z Xt=εt+j=1∑qbjεt−j=B(B)εt,t∈Z
是 q q q阶滑动平均模型,即 M A ( q ) {\rm MA}(q) MA(q)模型,由它决定的平稳序列 { X t } \{X_t\} {Xt}是滑动平均序列,即 M A ( q ) {\rm MA}(q) MA(q)序列。
这个修改后的定义与原定义有以下几点不同:一是修改后的定义要求 b 0 = 1 b_0=1 b0=1,二是特征多项式 B ( z ) B(z) B(z)要求在 ∣ z ∣ < 1 |z|<1 ∣z∣<1即单位圆内没有零点,这样就能保证 B − 1 ( z ) B^{-1}(z) B−1(z)在 [ 0 , 1 ) [0,1) [0,1)内始终是解析的。进一步要求 B ( z ) B(z) B(z)在单位圆上也没有零点的话, B − 1 ( z ) B^{-1}(z) B−1(z)在 [ 0 , 1 ] [0,1] [0,1]内就都解析,这时的 M A ( q ) {\rm MA}(q) MA(q)模型又叫可逆的 M A ( q ) {\rm MA}(q) MA(q)模型,相应的平稳序列被称为可逆的 M A ( q ) {\rm MA}(q) MA(q)序列。
对比 M A ( q ) {\rm MA}(q) MA(q)(Moving Average)序列与 A R ( q ) {\rm AR}(q) AR(q)(Autoregressive)序列,又有以下的区别,切勿搞混。
首先,在表现形式上, M A ( q ) {\rm MA}(q) MA(q)模型是 X t = B ( B ) ε t X_t=B(\mathscr B)\varepsilon_t Xt=B(B)εt, A R ( q ) {\rm AR}(q) AR(q)模型是 A ( B ) X t = ε t A(\mathscr B)X_t=\varepsilon_t A(B)Xt=εt,这里原序列 X t X_t Xt和白噪声序列 ε t \varepsilon_t εt的位置发生了颠倒,这也导致了 M A ( q ) {\rm MA}(q) MA(q)序列是有限滑动平均序列,而 A R ( q ) {\rm AR}(q) AR(q)序列是无限滑动平均序列。自然,有限滑动平均比无限滑动平均讨论起来要更简单。
其次,二者的特征多项式也有所不同, M A ( q ) {\rm MA}(q) MA(q)的特征多项式是 B ( z ) = 1 + ⋯ B(z)=1+\cdots B(z)=1+⋯,而 A R ( q ) {\rm AR}(q) AR(q)的特征多项式是 A ( z ) = 1 − ⋯ A(z)=1-\cdots A(z)=1−⋯,且 B ( z ) B(z) B(z)只要求在单位圆内没有零点, A ( z ) A(z) A(z)还要求单位圆上也没有零点。不过,它们的首项都是1,我们分别定义为 a 0 = 1 , b 0 = 1 a_0=1,b_0=1 a0=1,b0=1。
二者有一定的相似性,但我们也可以将其联系起来,得到如下的模型:
A
(
B
)
X
t
=
B
(
B
)
ε
t
,
A(\mathscr B)X_t=B(\mathscr B)\varepsilon_t,
A(B)Xt=B(B)εt,
这被称为
A
R
M
A
{\rm ARMA}
ARMA模型,在讨论它之前,我们先对
M
A
(
q
)
{\rm MA}(q)
MA(q)模型进行进一步讨论。
2. M A ( q ) {\rm MA}(q) MA(q)序列的特征
M
A
(
q
)
{\rm MA}(q)
MA(q)序列是一个平稳序列,所以重要的是它的自协方差函数与谱密度。为了方便讨论,我们接下来都定义
b
0
=
1
b_0=1
b0=1。我们在讨论线性平稳序列的时候已经得出了MA序列的自协方差函数和谱密度,对
M
A
(
q
)
{\rm MA}(q)
MA(q)序列也适用,即
γ
k
=
E
(
X
t
X
t
+
k
)
=
{
σ
2
∑
j
=
0
q
−
k
b
j
b
j
+
k
,
0
≤
k
≤
q
;
0
,
k
>
q
.
f
(
λ
)
=
σ
2
2
π
∣
B
(
e
i
λ
)
∣
2
=
1
2
π
∑
j
=
−
q
q
γ
j
e
−
i
j
λ
.
\gamma_k={\rm E}(X_tX_{t+k})=\left\{ \begin{array}l \sigma^2\sum\limits_{j=0}^{q-k}b_jb_{j+k},& 0\le k\le q; \\ 0,& k>q. \end{array} \right.\\ f(\lambda)=\frac{\sigma^2}{2\pi}|B(e^{{\rm i}\lambda})|^2=\frac1{2\pi}\sum_{j=-q}^q\gamma_je^{{-\rm i}j\lambda}.
γk=E(XtXt+k)=⎩⎨⎧σ2j=0∑q−kbjbj+k,0,0≤k≤q;k>q.f(λ)=2πσ2∣B(eiλ)∣2=2π1j=−q∑qγje−ijλ.
注意
M
A
(
q
)
{\rm MA}(q)
MA(q)序列的自协方差函数满足
γ
q
=
σ
2
b
q
≠
0
\gamma_q=\sigma^2b_q\ne 0
γq=σ2bq=0,但
γ
k
=
0
(
k
>
q
)
\gamma_k=0(k>q)
γk=0(k>q),我们称这样的平稳序列是
q
q
q步相关的,即间距超过
q
q
q的时间点都是不相关的。显然
M
A
(
q
)
{\rm MA}(q)
MA(q)是一个
q
q
q步相关序列,这也是它的主要特征,但巧的是,这个结论反过来也成立,即如果零均值平稳序列的自协方差函数是
q
q
q后截尾的,则这个平稳序列一定是
M
A
(
q
)
{\rm MA}(q)
MA(q)序列,证明如下。
引理:设实常数 { c j } \{c_j\} {cj}使得 c q ≠ 0 c_q\ne 0 cq=0和 g ( λ ) = 1 2 π ∑ j = − q q c j e − i j λ ≥ 0 , λ ∈ [ − π , π ] g(\lambda)=\dfrac1{2\pi}\sum\limits_{j=-q}^q c_je^{-{\rm i}j\lambda}\ge 0,\lambda\in[-\pi,\pi] g(λ)=2π1j=−q∑qcje−ijλ≥0,λ∈[−π,π],则存在唯一的实系数多项式 B ( z ) = 1 + ∑ j = 1 q b j z j ≠ 0 B(z)=1+\sum\limits_{j=1}^qb_jz^j\ne 0 B(z)=1+j=1∑qbjzj=0,使得 g ( λ ) = σ 0 2 2 π ∣ B ( e i λ ) ∣ 2 g(\lambda)=\dfrac{\sigma_0^2}{2\pi}|B(e^{{\rm i}\lambda})|^2 g(λ)=2πσ02∣B(eiλ)∣2,这里 σ 0 \sigma_0 σ0是某个正常数。
定理:设零均值平稳序列 { X t } \{X_t\} {Xt}有自协方差函数 { γ k } \{\gamma_k\} {γk},则 { X t } \{X_t\} {Xt}是 M A ( q ) {\rm MA}(q) MA(q)序列的充要条件是
γ q ≠ 0 , γ k = 0 , ∣ k ∣ > q . \gamma_q\ne 0,\quad \gamma_k=0,|k|>q. γq=0,γk=0,∣k∣>q.
必要性显然,下证充分性,即由自协方差函数 q q q后截尾推出 { X t } \{X_t\} {Xt}是 M A ( q ) {\rm MA}(q) MA(q)序列。由反演公式,此时 { X t } \{X_t\} {Xt}的谱密度是
f ( λ ) = 1 2 π ∑ k = − q q γ k e − i k λ ≥ 0 , λ ∈ [ − π , π ] . f(\lambda)=\frac1{2\pi}\sum_{k=-q}^q\gamma_ke^{-{\rm i}k\lambda}\ge0,\quad \lambda\in[-\pi,\pi]. f(λ)=2π1k=−q∑qγke−ikλ≥0,λ∈[−π,π].
由引理得知,存在一组实数 b 1 , ⋯ , b q b_1,\cdots,b_q b1,⋯,bq满足 b q > 0 b_q>0 bq>0和正数 σ 2 > 0 \sigma^2>0 σ2>0,使得
B ( z ) = 1 + ∑ j = 1 q b j z j , f ( λ ) = σ 2 2 π ∣ B ( e i λ ) ∣ 2 . B(z)=1+\sum_{j=1}^qb_jz^j, \quad f(\lambda)=\frac{\sigma^2}{2\pi}|B(e^{{\rm i}\lambda})|^2. B(z)=1+j=1∑qbjzj,f(λ)=2πσ2∣B(eiλ)∣2.
接下来我们要证明 f ( λ ) f(\lambda) f(λ)是某个 M A ( q ) {\rm MA}(q) MA(q)序列的谱密度,也就是要构造出某个白噪声序列 { ε t } \{\varepsilon_t\} {εt}使得 X t = B ( B ) ε t X_t=B(\mathscr B)\varepsilon_t Xt=B(B)εt。为此,我们构造 ε t = B − 1 ( B ) X t \varepsilon_t=B^{-1}(\mathscr B)X_t εt=B−1(B)Xt,因为如此,必定有 B ( B ) ε t = X t B(\mathscr B)\varepsilon_t=X_t B(B)εt=Xt,所以我们只要能证明它是白噪声即可。假设 B − 1 ( z ) B^{-1}(z) B−1(z)Taylor级数的系数是 { h j } \{h_j\} {hj},则由 B ( z ) B(z) B(z)的解析性, h j h_j hj绝对可和,所以
ε t = B − 1 ( B ) X t = ∑ j = 0 ∞ h j X t − j , t ∈ Z , \varepsilon_t=B^{-1}(\mathscr B)X_t=\sum_{j=0}^\infty h_jX_{t-j},\quad t\in\Z, εt=B−1(B)Xt=j=0∑∞hjXt−j,t∈Z,
此时 { ε t } \{\varepsilon_t\} {εt}是一个线性滤波,由线性滤波的谱密度,有
f ε ( λ ) = ∣ ∑ j = 0 ∞ h j e − i λ ∣ 2 f ( λ ) = ∣ B ( e − i λ ) ∣ − 2 σ 2 2 π ∣ B ( e − i λ ) ∣ 2 = σ 2 2 π , f_\varepsilon(\lambda)=\left|\sum_{j=0}^\infty h_je^{-{\rm i}\lambda} \right|^2f(\lambda)=|B(e^{-{\rm i}\lambda})|^{-2}\frac{\sigma^2}{2\pi}|B(e^{-{\rm i}\lambda})|^2=\frac{\sigma^2}{2\pi}, fε(λ)=∣∣∣∣∣j=0∑∞hje−iλ∣∣∣∣∣2f(λ)=∣B(e−iλ)∣−22πσ2∣B(e−iλ)∣2=2πσ2,
这就说明 ε t \varepsilon_t εt是一个 W N ( 0 , σ 2 ) {\rm WN}(0,\sigma^2) WN(0,σ2)。
这样,我们判断一个平稳序列是不是一个 M A ( q ) {\rm MA}(q) MA(q)序列,只要观察其自协方差函数是不是 q q q后截尾的就行了。但问题是,即使我们判断出了它是一个 M A ( q ) {\rm MA}(q) MA(q)序列,要如何从观测样本得到它的特征多项式 B ( z ) B(z) B(z)呢?
3. M A ( q ) {\rm MA}(q) MA(q)系数的递推计算
在实际生活中, γ 0 , ⋯ , γ q \gamma_0,\cdots,\gamma_q γ0,⋯,γq是可以被观测获得的样本近似估计的,而 b 1 , ⋯ , b q , σ 2 b_1,\cdots,b_q,\sigma^2 b1,⋯,bq,σ2却不能够直接获得,要对现实中的 M A ( q ) {\rm MA}(q) MA(q)序列进行研究,肯定要得到其特征多项式与白噪声方差。注意到 γ 0 , ⋯ , γ q \gamma_0,\cdots,\gamma_q γ0,⋯,γq的数量与 b 1 , ⋯ , b q , σ 2 b_1,\cdots,b_q,\sigma^2 b1,⋯,bq,σ2的数量相等,都是 q + 1 q+1 q+1个,因此由自协方差函数估计 M A ( q ) {\rm MA}(q) MA(q)系数和白噪声方差是可能的。
如果列出
γ
k
\gamma_k
γk的计算式,即
γ
k
=
σ
2
∑
j
=
0
q
−
k
b
j
b
j
+
k
\gamma_k=\sigma^2\sum\limits_{j=0}^{q-k}b_jb_{j+k}
γk=σ2j=0∑q−kbjbj+k,我们可以得到
q
+
1
q+1
q+1个方程,即
{
σ
2
=
γ
0
1
+
b
1
2
+
⋯
+
b
q
2
,
b
k
=
γ
k
σ
2
−
(
b
1
b
k
+
1
+
b
2
b
k
+
2
+
⋯
+
b
q
−
k
b
q
)
,
1
≤
k
≤
q
−
1
,
b
q
=
γ
q
σ
2
.
\left\{ \begin{array}l \sigma^2=\dfrac{\gamma_0}{1+b_1^2+\cdots+b_q^2}, \\ b_k=\dfrac{\gamma_k}{\sigma^2}-(b_1b_{k+1}+b_2b_{k+2}+\cdots+b_{q-k}b_q),&1\le k\le q-1, \\ b_q=\dfrac{\gamma_q}{\sigma^2}. \end{array} \right.
⎩⎪⎪⎪⎨⎪⎪⎪⎧σ2=1+b12+⋯+bq2γ0,bk=σ2γk−(b1bk+1+b2bk+2+⋯+bq−kbq),bq=σ2γq.1≤k≤q−1,
这个方程是一个非线性方程组,可以用牛顿迭代法求解,这里对教科书上的方式进行抄录。
定义
Ω
k
=
[
γ
1
γ
2
⋯
γ
k
γ
2
γ
3
⋯
γ
k
+
1
⋮
⋮
⋮
γ
q
γ
q
+
1
⋯
γ
k
+
q
−
1
]
=
(
γ
i
+
j
−
1
)
q
×
k
,
γ
q
=
[
γ
1
γ
2
⋮
γ
q
]
,
Π
=
lim
k
→
∞
Ω
k
Γ
k
−
1
Ω
k
′
.
\Omega_k=\begin{bmatrix} \gamma_1 & \gamma_2 & \cdots & \gamma_k \\ \gamma_2 & \gamma_3 & \cdots & \gamma_{k+1} \\ \vdots & \vdots & & \vdots \\ \gamma_q & \gamma_{q+1} & \cdots & \gamma_{k+q-1} \end{bmatrix}=(\gamma_{i+j-1})_{q\times k},\quad \boldsymbol \gamma_q=\begin{bmatrix} \gamma_1 \\ \gamma_2 \\ \vdots \\ \gamma_q \end{bmatrix},\quad \Pi=\lim_{k\to \infty}\Omega_k\Gamma_k^{-1}\Omega_k'.
Ωk=⎣⎢⎢⎢⎡γ1γ2⋮γqγ2γ3⋮γq+1⋯⋯⋯γkγk+1⋮γk+q−1⎦⎥⎥⎥⎤=(γi+j−1)q×k,γq=⎣⎢⎢⎢⎡γ1γ2⋮γq⎦⎥⎥⎥⎤,Π=k→∞limΩkΓk−1Ωk′.
注意
Ω
k
\Omega_k
Ωk不是自协方差矩阵,甚至不是方阵,而是一个
q
×
k
q\times k
q×k矩阵,即不定列数的
q
q
q行矩阵。再定义
A
=
[
0
1
0
⋯
0
0
0
0
1
⋯
0
0
⋮
⋮
⋮
⋮
⋮
0
0
0
⋯
0
1
0
0
0
⋯
0
0
]
q
×
q
,
C
=
[
1
0
⋮
0
]
q
×
1
.
A=\begin{bmatrix} 0 & 1 & 0 & \cdots & 0 & 0 \\ 0 & 0 & 1 & \cdots & 0 & 0 \\ \vdots & \vdots & \vdots & & \vdots & \vdots \\ 0 & 0 & 0 & \cdots & 0 & 1 \\ 0 & 0 & 0 & \cdots & 0 & 0 \end{bmatrix}_{q\times q},\quad C=\begin{bmatrix} 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix}_{q\times 1}.
A=⎣⎢⎢⎢⎢⎢⎡00⋮0010⋮0001⋮00⋯⋯⋯⋯00⋮0000⋮10⎦⎥⎥⎥⎥⎥⎤q×q,C=⎣⎢⎢⎢⎡10⋮0⎦⎥⎥⎥⎤q×1.
则
b
q
=
(
b
1
,
⋯
,
b
q
)
′
\boldsymbol b_q=(b_1,\cdots,b_q)'
bq=(b1,⋯,bq)′有
b
q
=
1
σ
2
(
γ
q
−
A
Π
C
)
,
σ
2
=
γ
0
−
C
′
Π
C
.
\boldsymbol b_q=\frac{1}{\sigma^2}(\boldsymbol \gamma_q-A\Pi C),\quad \sigma^2=\gamma_0-C'\Pi C.
bq=σ21(γq−AΠC),σ2=γ0−C′ΠC.
有了这个方法,我们就可以对
M
A
(
q
)
{\rm MA}(q)
MA(q)序列的观测样本求特征多项式了。
回顾总结
-
M A ( q ) {\rm MA}(q) MA(q)模型是这样一种模型: X t = B ( B ) ε t X_t=B(\mathscr B)\varepsilon_t Xt=B(B)εt,其中
B ( z ) = 1 + ∑ j = 1 q b j z j = ∑ j = 0 q b j z j , B ( z ) ≠ 0 , ∣ z ∣ < 1. B(z)=1+\sum_{j=1}^qb_jz^j=\sum_{j=0}^qb_jz^j,\quad B(z)\ne 0,|z|<1. B(z)=1+j=1∑qbjzj=j=0∑qbjzj,B(z)=0,∣z∣<1.
如果进一步要求 B ( z ) ≠ 0 , ∣ z ∣ ≤ 1 B(z)\ne0,|z|\le1 B(z)=0,∣z∣≤1,则这被称为可逆 M A ( q ) {\rm MA}(q) MA(q)模型,对应的序列为 M A ( q ) {\rm MA}(q) MA(q)序列和可逆的 M A ( q ) {\rm MA}(q) MA(q)序列。 -
M A ( q ) {\rm MA}(q) MA(q)序列的自协方差函数是 q q q后截尾的,即
γ k = σ 2 ∑ j = 0 q − k b j b j + k , 1 ≤ k ≤ q − 1 , γ k = 0 , k ≥ q . \gamma_k=\sigma^2\sum_{j=0}^{q-k}b_jb_{j+k},\quad 1\le k\le q-1, \\ \gamma_k=0,\quad k\ge q. γk=σ2j=0∑q−kbjbj+k,1≤k≤q−1,γk=0,k≥q.
其谱密度为
f ( λ ) = σ 2 2 π ∣ B ( e i λ ) ∣ 2 = 1 2 π ∑ j = − q q γ j e − i j λ . f(\lambda)=\frac{\sigma^2}{2\pi}|B(e^{{\rm i}\lambda})|^2=\frac{1}{2\pi}\sum_{j=-q}^q\gamma_je^{-{\rm i}j\lambda}. f(λ)=2πσ2∣B(eiλ)∣2=2π1j=−q∑qγje−ijλ. -
如果一个零均值平稳序列是 q q q后截尾的,则这是一个 M A ( q ) {\rm MA}(q) MA(q)序列,换言之,零均值 M A ( q ) {\rm MA}(q) MA(q)序列的充要条件是自协方差函数 q q q后截尾。
-
M A ( q ) {\rm MA}(q) MA(q)系数的反推:设 A q × q A_{q\times q} Aq×q是主对角线上方的元素为1,其他元素为0的 q × q q\times q q×q方阵, C q × 1 C_{q\times 1} Cq×1是第一个元素为1,其他元素为0的列向量,再定义 Ω k = ( γ i + j − 1 ) q × k \Omega_k=(\gamma_{i+j-1})_{q\times k} Ωk=(γi+j−1)q×k和自协方差向量 γ k \boldsymbol \gamma_k γk,就有
Π q × q = lim k → ∞ Ω k Γ k − 1 Ω k ′ , b q = 1 σ 2 ( γ k − A Π C ) , σ 2 = γ 0 − C ′ Π C . \Pi_{q\times q}=\lim_{k\to \infty}\Omega_k\Gamma_k^{-1}\Omega_k',\quad \boldsymbol b_q=\frac{1}{\sigma^2}(\boldsymbol \gamma_k-A\Pi C),\quad \sigma^2=\gamma_0-C'\Pi C. Πq×q=k→∞limΩkΓk−1Ωk′,bq=σ21(γk−AΠC),σ2=γ0−C′ΠC.