十四、平稳序列的参数估计与白噪声检验
之前我们在理论上讨论过 A R ( p ) , M A ( q ) , A R M A ( p , q ) {\rm AR}(p),{\rm MA}(q),{\rm ARMA}(p,q) AR(p),MA(q),ARMA(p,q)模型的一些特征,都是从模型本身出发对其样本分布作出一些判断,然而在实际生活中,我们往往先碰到的是时间序列的观测样本,并且对其作出分析以后,才能判断其属于哪一种序列。之前我们讨论过以上三种模型的判定,还有模型参数的计算,都是在零均值的前提下,基于自协方差函数计算的,所以这里先讨论均值、自协方差函数的估计。
这部分的结论较多,推导较少。并且我们总假设 { ε t } \{\varepsilon_t\} {εt}是零均值白噪声, { ψ k } \{\psi_k\} {ψk}平方可和,因为我们讨论过的三种模型都具有这样的性质。
1.估计均值
设
x
1
,
x
2
,
⋯
,
x
N
x_1,x_2,\cdots,x_N
x1,x2,⋯,xN是平稳序列
{
X
t
}
\{X_t\}
{Xt}的观测值,则我们一般用以下统计量来估计平稳序列的均值:
μ
^
=
x
ˉ
N
=
1
N
∑
k
=
1
N
x
k
.
\hat\mu=\bar x_N=\frac 1N\sum_{k=1}^Nx_k.
μ^=xˉN=N1k=1∑Nxk.
这种想法是很直观的,就像我们在数理统计中选择用样本均值作为总体均值的估计一样,并且这个估计量具有也具有许多良好的性质。
首先是无偏性,即
E
μ
^
=
μ
{\rm E}\hat\mu =\mu
Eμ^=μ,这是因为
E
μ
^
=
1
N
∑
k
=
1
N
E
(
x
k
)
=
μ
.
{\rm E}\hat\mu=\frac 1N\sum_{k=1}^N{\rm E}(x_k)=\mu.
Eμ^=N1k=1∑NE(xk)=μ.
然后是相合性,这指的是估计量随着样本容量的增加收敛于估计值的能力,也就是说具有相合性的统计量,有越大的样本容量,就有越大的估计精度。对于任何平稳序列,
μ
^
\hat \mu
μ^首先是均方收敛到
μ
\mu
μ的,有
E
(
μ
^
−
μ
)
2
=
E
[
1
N
∑
k
=
1
N
(
X
k
−
μ
)
]
2
=
1
N
2
E
(
∑
k
=
1
N
(
X
k
−
μ
)
)
2
=
1
N
2
∑
k
=
−
N
N
(
N
−
∣
k
∣
)
γ
k
≤
∑
k
=
1
N
∣
γ
k
∣
→
0.
\begin{aligned} {\rm E}(\hat \mu-\mu)^2=&{\rm E}\left[\frac 1N\sum_{k=1}^N(X_k-\mu) \right]^2\\ =&{\rm }\frac 1{N^2}{\rm E}\left(\sum_{k=1}^N(X_k-\mu) \right)^2\\ =&\frac 1{N^2}\sum_{k=-N}^N(N-|k|)\gamma_k \\ \le &\sum_{k=1}^N |\gamma_k|\to 0. \end{aligned}
E(μ^−μ)2===≤E[N1k=1∑N(Xk−μ)]2N21E(k=1∑N(Xk−μ))2N21k=−N∑N(N−∣k∣)γkk=1∑N∣γk∣→0.
这里第二行到第三行的变换类似《九、
A
R
(
p
)
{\rm AR}(p)
AR(p)序列的谱密度及其他性质》中“周期图”部分的展开,这就得到了
μ
^
\hat \mu
μ^均方收敛到
μ
\mu
μ的性质,自然也是依概率收敛的。事实上,如果
{
X
t
}
\{X_t\}
{Xt}是严平稳遍历序列,则
X
ˉ
N
=
μ
^
\bar X_N=\hat\mu
XˉN=μ^还是
μ
\mu
μ的强相合估计。
知道
μ
^
\hat \mu
μ^具有相合性后,自然想知道其收敛速度,这决定了我们的样本数量能够带来均值估计的精度。在重对数律成立时,得到收敛速度的阶数一般是
O
(
2
ln
ln
N
N
)
.
O\left(\sqrt{\frac{2\ln \ln N}{N}} \right).
O(N2lnlnN).
重对数律指的是如下的定理:
重对数律定理:设 { ε t } \{\varepsilon_t\} {εt}是独立同分布的 W N ( 0 , σ 2 ) {\rm WN}(0,\sigma^2) WN(0,σ2),线性平稳序列 { X t } \{X_t\} {Xt}为
X t = μ + ∑ k = − ∞ ∞ ψ k ε t − k X_t=\mu+\sum_{k=-\infty}^\infty\psi_k\varepsilon_{t-k} Xt=μ+k=−∞∑∞ψkεt−k
并且谱密度 f ( 0 ) ≠ 0 f(0)\ne 0 f(0)=0,则以下条件之一成立时:
- 当 k → ∞ k\to \infty k→∞时, ψ ∣ k ∣ \psi_{|k|} ψ∣k∣以负指数阶收敛于0;
- 谱密度 f ( λ ) f(\lambda) f(λ)在 λ = 0 \lambda=0 λ=0处连续,且 E ∣ ε t ∣ r < ∞ {\rm E}|\varepsilon_t|^r<\infty E∣εt∣r<∞对某个 r > 2 r>2 r>2成立;
重对数律成立为
lim N → ∞ sup N 2 ln ln N ( X ˉ N − μ ) = 2 π f ( 0 ) , a . s . \lim_{N\to \infty}\sup\sqrt{\frac{N}{2\ln \ln N}}(\bar X_N-\mu)=\sqrt{2\pi f(0)},\quad {\rm a.s.} N→∞limsup2lnlnNN(XˉN−μ)=2πf(0),a.s.
由于
{
X
t
}
\{X_t\}
{Xt}满足重对数律条件时,
{
−
X
t
}
\{-X_t\}
{−Xt}也满足条件,所以同理有
lim
N
→
∞
sup
N
2
ln
ln
N
[
−
(
X
ˉ
N
−
μ
)
]
=
2
π
f
(
0
)
,
a
.
s
.
lim
N
→
∞
inf
N
2
ln
ln
N
(
X
ˉ
N
−
μ
)
=
−
2
π
f
(
0
)
,
a
.
s
.
\lim_{N\to \infty}\sup\sqrt{\frac{N}{2\ln \ln N}}[-(\bar X_N-\mu)]=\sqrt{2\pi f(0)},\quad {\rm a.s.} \\ \lim_{N\to \infty}\inf\sqrt{\frac{N}{2\ln \ln N}}(\bar X_N-\mu)=-\sqrt{2\pi f(0)},\quad {\rm a.s.}
N→∞limsup2lnlnNN[−(XˉN−μ)]=2πf(0),a.s.N→∞liminf2lnlnNN(XˉN−μ)=−2πf(0),a.s.
这就导致了
lim
N
→
∞
N
2
ln
ln
N
(
X
ˉ
−
μ
)
\lim_{N\to \infty}\sqrt{\frac{N}{2\ln \ln N}}(\bar X-\mu)
N→∞lim2lnlnNN(Xˉ−μ)
几乎必然不存在,所以说
O
(
2
ln
ln
N
N
)
O(\sqrt{\frac{2\ln \ln N}{N}})
O(N2lnlnN)的收敛速度在一般情况下是不能再被改进的。显然,我们讨论过的三种序列都服从重对数律的条件。
最后我们讨论 μ ^ \hat \mu μ^的分布问题,它具有中心极限定理,定理内容如下:
μ ^ \hat \mu μ^的中心极限定理:设 { ε t } \{\varepsilon_t\} {εt}是独立同分布的 W N ( 0 , σ 2 ) {\rm WN}(0,\sigma^2) WN(0,σ2),线性平稳序列定义为
X t = μ + ∑ k = − ∞ ∞ ψ k ε t − k , t ∈ Z . X_t=\mu+\sum_{k=-\infty}^\infty \psi_k\varepsilon_{t-k},\quad t\in\Z. Xt=μ+k=−∞∑∞ψkεt−k,t∈Z.
如果 { X t } \{X_t\} {Xt}的谱密度 f ( λ ) = σ 2 2 π ∣ H ( e i λ ) ∣ 2 f(\lambda)=\frac{\sigma^2}{2\pi}|H(e^{{\rm i}\lambda})|^2 f(λ)=2πσ2∣H(eiλ)∣2在 λ = 0 \lambda=0 λ=0处连续,且 f ( 0 ) ≠ 0 f(0)\ne 0 f(0)=0,则
N ( X ˉ N − μ ) → d N ( 0 , 2 π f ( 0 ) ) . \sqrt N(\bar X_N-\mu)\stackrel {\rm d}\to N(0,2\pi f(0)). N(XˉN−μ)→dN(0,2πf(0)).
特别当 { ψ k } \{\psi_k\} {ψk}绝对可和时 f ( λ ) f(\lambda) f(λ)连续,所以此时 N ( X ˉ N − μ ) \sqrt{N}(\bar X_N-\mu) N(XˉN−μ)依分布收敛到 N ( 0 , 2 π f ( 0 ) ) N(0,2\pi f(0)) N(0,2πf(0)),且由反演公式,有
2 π f ( 0 ) = γ 0 + 2 ∑ j = 1 ∞ γ j . 2\pi f(0)=\gamma_0+2\sum_{j=1}^\infty \gamma_j. 2πf(0)=γ0+2j=1∑∞γj.
与分布的中心极限定理相同,这一般被用来构造参数 μ \mu μ的区间估计。
2.估计自协方差函数
设
x
1
,
x
2
,
⋯
,
x
N
x_1,x_2,\cdots,x_N
x1,x2,⋯,xN是平稳序列
{
X
t
}
\{X_t\}
{Xt}的观测值,则我们一般用以下统计量来估计平稳序列的自协方差函数:
γ
^
k
=
1
N
∑
j
=
1
N
−
k
(
x
j
−
x
ˉ
N
)
(
x
j
+
k
−
x
ˉ
N
)
,
ρ
^
k
=
γ
^
k
γ
^
0
.
\hat \gamma_k=\frac 1N\sum_{j=1}^{N-k}(x_j-\bar x_N)(x_{j+k}-\bar x_N),\\ \hat \rho_k=\frac{\hat \gamma_k}{\hat \gamma_0}.
γ^k=N1j=1∑N−k(xj−xˉN)(xj+k−xˉN),ρ^k=γ^0γ^k.
注意到这里求和项的个数是
N
−
k
N-k
N−k,而取平均时除以的是
N
N
N。事实上如果只是要估计自协方差函数,除以的也可以是
N
−
k
N-k
N−k,但除以
N
N
N被普遍应用,一是因为它趋近于0的速度稍微快一些,另一个重要的原因是这样定义的样本自协方差阵
Γ
^
N
\hat \Gamma_N
Γ^N正定。
类似均值的估计,对自协方差函数的估计量也要讨论它的几个相关性质。
首先是无偏性,
γ
^
k
\hat \gamma_k
γ^k是
γ
k
\gamma_k
γk的渐进无偏估计而不是无偏的。假设
μ
=
E
X
1
\mu={\rm E}X_1
μ=EX1,则令
Y
t
=
X
t
−
μ
Y_t=X_t-\mu
Yt=Xt−μ,即对原序列进行零均值化,则
Y
ˉ
N
=
X
ˉ
N
−
μ
\bar Y_N=\bar X_N-\mu
YˉN=XˉN−μ,所以
E
γ
^
k
=
1
N
E
∑
j
=
1
N
−
k
(
X
j
−
X
ˉ
N
)
(
X
j
+
k
−
X
ˉ
N
)
=
1
N
E
∑
j
=
1
N
−
k
(
Y
j
−
Y
ˉ
N
)
(
Y
j
+
k
−
Y
ˉ
N
)
=
1
N
E
∑
j
=
1
N
−
k
[
Y
j
Y
j
+
k
−
Y
ˉ
N
(
Y
j
+
Y
j
+
k
)
+
Y
ˉ
N
2
]
,
\begin{aligned} {\rm E}\hat \gamma_k=&\frac 1N{\rm E}\sum_{j=1}^{N-k}(X_j-\bar X_N)(X_{j+k}-\bar X_N) \\ =&\frac 1N{\rm E}\sum_{j=1}^{N-k}(Y_j-\bar Y_N)(Y_{j+k}-\bar Y_N) \\ =&\frac 1N{\rm E}\sum_{j=1}^{N-k}[Y_jY_{j+k}-\bar Y_N(Y_j+Y_{j+k})+\bar Y_N^2], \end{aligned}
Eγ^k===N1Ej=1∑N−k(Xj−XˉN)(Xj+k−XˉN)N1Ej=1∑N−k(Yj−YˉN)(Yj+k−YˉN)N1Ej=1∑N−k[YjYj+k−YˉN(Yj+Yj+k)+YˉN2],
并且由于均值是均方收敛的,所以
E
Y
ˉ
N
2
→
0
{\rm E}\bar Y_N^2\to 0
EYˉN2→0;由Schwarz不等式有
E
∣
Y
ˉ
N
(
Y
j
+
k
+
Y
j
)
∣
≤
E
Y
ˉ
N
2
E
(
Y
j
+
k
+
Y
j
)
2
≤
4
E
Y
ˉ
N
2
γ
0
→
0.
{\rm E}|\bar Y_N(Y_{j+k}+Y_j)|\le \sqrt{{\rm E}\bar Y_N^2{\rm E}(Y_{j+k}+Y_j)^2}\le \sqrt{4{\rm E}\bar Y_N^2\gamma_0}\to 0.
E∣YˉN(Yj+k+Yj)∣≤EYˉN2E(Yj+k+Yj)2≤4EYˉN2γ0→0.
于是
E
γ
^
k
=
1
N
∑
j
=
1
N
−
k
[
γ
k
+
o
(
1
)
]
=
N
−
k
N
(
γ
k
+
o
(
1
)
)
→
γ
k
.
{\rm E}\hat \gamma_k=\frac 1N\sum_{j=1}^{N-k}[\gamma_k+o(1)]=\frac{N-k}{N}(\gamma_k+o(1))\to \gamma_k.
Eγ^k=N1j=1∑N−k[γk+o(1)]=NN−k(γk+o(1))→γk.
得到其渐进无偏性,显然
γ
^
k
\hat \gamma_k
γ^k不具有无偏性。
然后是相合性,对于严平稳遍历序列 { X t } \{X_t\} {Xt},其每个确定的 k k k, γ ^ k \hat \gamma_k γ^k和 ρ ^ k \hat \rho_k ρ^k都分别是 γ k \gamma_k γk和 ρ k \rho_k ρk的强相合估计。
最后,为了给出
γ
k
\gamma_k
γk的区间估计,依然考虑
γ
^
k
\hat \gamma_k
γ^k的渐进分布,它比
μ
^
\hat \mu
μ^的渐进分布更加复杂,这里只讨论线性平稳序列的
γ
^
k
\hat \gamma_k
γ^k。令
{
ε
t
}
\{\varepsilon_t\}
{εt}为独立同分布
W
N
(
0
,
σ
2
)
{\rm WN}(0,\sigma^2)
WN(0,σ2),实数列
{
ψ
k
}
\{\psi_k\}
{ψk}平方可和,线性平稳序列定义为
X
t
=
∑
j
=
−
∞
∞
ψ
j
ε
t
−
j
,
t
∈
Z
.
X_t=\sum_{j=-\infty}^\infty \psi_j\varepsilon_{t-j},\quad t\in\Z.
Xt=j=−∞∑∞ψjεt−j,t∈Z.
则其自协方差函数与谱密度分别是
γ
k
=
σ
2
∑
j
=
−
∞
∞
ψ
j
ψ
j
+
k
,
f
(
λ
)
=
σ
2
2
π
∣
∑
j
=
−
∞
∞
ψ
j
e
i
j
λ
∣
2
.
\gamma_k=\sigma^2\sum_{j=-\infty}^\infty \psi_j\psi_{j+k},\quad f(\lambda)=\frac{\sigma^2}{2\pi}\left|\sum_{j=-\infty}^\infty \psi_je^{{\rm i}j\lambda} \right|^2.
γk=σ2j=−∞∑∞ψjψj+k,f(λ)=2πσ2∣∣∣∣∣j=−∞∑∞ψjeijλ∣∣∣∣∣2.
接下来直接给出相关的结论。
γ ^ k \hat \gamma_k γ^k的中心极限定理:如果 μ 4 = E ε 1 4 < ∞ \mu_4={\rm E}\varepsilon_1^4<\infty μ4=Eε14<∞,且 X t X_t Xt的谱密度平方可积: ∫ − π π f 2 ( λ ) d λ < ∞ \int_{-\pi}^\pi f^2(\lambda){\rm d}\lambda<\infty ∫−ππf2(λ)dλ<∞,则设 { W t } \{W_t\} {Wt}独立同分布于 N ( 0 , 1 ) N(0,1) N(0,1),对任何正整数 h h h,当 N → ∞ N\to \infty N→∞时,有
N ( γ ^ 0 − γ 0 , ⋯ , γ ^ h − γ h ) → d ( ξ 0 , ξ 1 , ⋯ , ξ h ) , ξ j = ( M 0 γ j ) W 0 + ∑ t = 1 ∞ ( γ t + j + γ t − j ) W t , j ≥ 0 , M 0 = 1 σ 2 ( μ 4 − σ 4 ) 1 / 2 = 1 σ 2 ( E ε 1 4 − σ 4 ) 1 / 2 \sqrt N(\hat \gamma_0-\gamma_0,\cdots,\hat \gamma_h-\gamma_h)\stackrel {\rm d}\to (\xi_0,\xi_1,\cdots,\xi_h), \\ \xi_j=(M_0\gamma_j)W_0+\sum_{t=1}^\infty (\gamma_{t+j}+\gamma_{t-j})W_t,\quad j\ge0,\\ M_0=\frac{1}{\sigma^2}(\mu_4-\sigma^4)^{1/2}=\frac{1}{\sigma^2}({\rm E}\varepsilon_1^4-\sigma^4)^{1/2} N(γ^0−γ0,⋯,γ^h−γh)→d(ξ0,ξ1,⋯,ξh),ξj=(M0γj)W0+t=1∑∞(γt+j+γt−j)Wt,j≥0,M0=σ21(μ4−σ4)1/2=σ21(Eε14−σ4)1/2
ρ ^ k \hat\rho_k ρ^k的中心极限定理:条件同上,对任何正整数 h h h,当 N → ∞ N\to\infty N→∞时,有
N ( ρ ^ 1 − ρ 1 , ⋯ , ρ ^ h − ρ h ) → d ( R 1 , ⋯ , R h ) , R j = ∑ t = 1 ∞ ( ρ t + j + ρ t − j − 2 ρ t ρ j ) W t , j ≥ 1. \sqrt N(\hat \rho_1-\rho_1,\cdots,\hat \rho_h-\rho_h)\stackrel {\rm d}\to (R_1,\cdots,R_h),\\ R_j=\sum_{t=1}^\infty(\rho_{t+j}+\rho_{t-j}-2\rho_t\rho_j)W_t,\quad j\ge 1. N(ρ^1−ρ1,⋯,ρ^h−ρh)→d(R1,⋯,Rh),Rj=t=1∑∞(ρt+j+ρt−j−2ρtρj)Wt,j≥1.
谱密度平方可积的等价条件:对于任意平稳序列 { X t } \{X_t\} {Xt},它的自协方差函数平方可和,等价于谱密度平方可积。因此只要 E ε 1 4 < ∞ {\rm E}\varepsilon_1^4<\infty Eε14<∞的线性平稳序列的自协方差函数平方可和,则中心极限定理成立。应用于白噪声的推论:如果 { X t } \{X_t\} {Xt}是独立同分布的白噪声,则对任何正整数 h h h,
N ( ρ ^ 1 , ⋯ , ρ ^ h ) → d N h ( 0 , I h ) . \sqrt N(\hat \rho_1,\cdots,\hat\rho_h)\stackrel {\rm d}\to N_h(0,I_h). N(ρ^1,⋯,ρ^h)→dNh(0,Ih).
如果追加 μ 4 = E X t 4 < ∞ \mu_4={\rm E}X_t^4<\infty μ4=EXt4<∞的条件,则
N ( γ ^ 0 , γ ^ 1 , ⋯ , γ ^ h ) → d σ 2 ( M 0 W 0 , W 1 , ⋯ , W h ) . \sqrt N(\hat \gamma_0,\hat\gamma_1,\cdots,\hat \gamma_h)\stackrel {\rm d}\to \sigma^2(M_0W_0,W_1,\cdots,W_h). N(γ^0,γ^1,⋯,γ^h)→dσ2(M0W0,W1,⋯,Wh).
3.白噪声检验
我们在前面讨论到的模型都是白噪声的无穷滑动和,且对于建立的模型,我们总假定误差是服从白噪声的,因此,我们需要一种对于白噪声的检验。
白噪声的
χ
2
\chi^2
χ2检验是基于以下前提的:
m
m
m个独立同分布标准正态随机变量的和服从
χ
2
(
m
)
\chi^2(m)
χ2(m)分布。由
ρ
^
\hat \rho
ρ^的中心极限定理应用于白噪声的推论,
N
(
ρ
^
1
,
⋯
,
ρ
^
m
)
→
d
N
m
(
0
,
I
m
)
\sqrt N(\hat \rho_1,\cdots,\hat \rho_m)\stackrel {\rm d}\to N_m(0,I_m)
N(ρ^1,⋯,ρ^m)→dNm(0,Im),可以构造如下的统计量,它应该近似服从
χ
2
(
m
)
\chi^2(m)
χ2(m)分布:
χ
^
m
2
=
d
e
f
N
(
ρ
^
1
2
+
ρ
^
2
2
+
⋯
+
ρ
^
m
2
)
→
d
χ
2
(
m
)
.
\hat \chi^2_m\stackrel {\rm def}=N(\hat \rho_1^2+\hat \rho_2^2+\cdots +\hat \rho_m^2)\stackrel {\rm d}\to \chi^2(m).
χ^m2=defN(ρ^12+ρ^22+⋯+ρ^m2)→dχ2(m).
这里选择的
m
m
m不能过大,一般取
m
≤
N
m\le \sqrt N
m≤N,接下来就可以按照
χ
2
\chi^2
χ2分布的假设检验来判断序列是否是白噪声。
此外,还有一种简单的判别方法,是计算
Q
(
m
)
=
1
m
#
{
j
∣
N
∣
ρ
^
j
∣
≥
1.96
,
1
≤
j
≤
m
}
,
Q(m)=\frac 1m \#\{j|\sqrt N|\hat \rho_j|\ge 1.96,\quad 1\le j\le m \},
Q(m)=m1#{j∣N∣ρ^j∣≥1.96,1≤j≤m},
这里
#
A
\#A
#A代表
A
A
A中元素的数量,当
Q
(
m
)
≥
0.05
Q(m)\ge 0.05
Q(m)≥0.05时就拒绝序列是白噪声这一假设。
回顾总结
-
对于平稳序列 { X t } \{X_t\} {Xt},用 μ ^ = x ˉ N = 1 N ∑ j = 1 N x j \hat \mu=\bar x_N=\frac 1N\sum_{j=1}^N x_j μ^=xˉN=N1∑j=1Nxj作为平稳序列均值 μ \mu μ的估计量,它具有无偏性,均方相合性。
-
μ ^ \hat \mu μ^的收敛速度是 O ( 2 ln ln N N ) O(\sqrt{\frac{2\ln \ln N}{N}}) O(N2lnlnN),在重对数律的限制下,这个速度一般不能再被改进。重对数律的先决条件是 f ( 0 ) ≠ 0 f(0)\ne 0 f(0)=0,且 ψ ∣ k ∣ \psi_{|k|} ψ∣k∣以负指数阶收敛到0或 f ( λ ) f(\lambda) f(λ)在 λ = 0 \lambda=0 λ=0处连续且 E ∣ ε t ∣ r < ∞ {\rm E}|\varepsilon_t|^r<\infty E∣εt∣r<∞对某个 r > 2 r>2 r>2成立。
-
μ ^ \hat \mu μ^的中心极限定理: N ( μ ^ − μ ) → d N ( 0 , 2 π f ( 0 ) ) \sqrt N(\hat \mu-\mu)\stackrel {\rm d}\to N(0,2\pi f(0)) N(μ^−μ)→dN(0,2πf(0)),前提条件是 f ( λ ) f(\lambda) f(λ)在 λ = 0 \lambda=0 λ=0连续且 f ( 0 ) ≠ 0 f(0)\ne 0 f(0)=0,此时
2 π f ( 0 ) = γ 0 + 2 ∑ j = 1 ∞ γ j . 2\pi f(0)=\gamma_0+2\sum_{j=1}^\infty \gamma_j. 2πf(0)=γ0+2j=1∑∞γj. -
对于平稳序列 { X t } \{X_t\} {Xt},用 γ ^ k = 1 N ∑ j = 1 ∞ ( x j − x ˉ N ) ( x j + k − x ˉ N ) \hat \gamma_k=\frac 1N\sum_{j=1}^{\infty}(x_j-\bar x_N)(x_{j+k}-\bar x_N) γ^k=N1∑j=1∞(xj−xˉN)(xj+k−xˉN)作为 γ k \gamma_k γk的估计量,它具有渐进无偏性;用 ρ ^ k = γ ^ k / γ ^ 0 \hat \rho_k=\hat \gamma_k/\hat \gamma_0 ρ^k=γ^k/γ^0作为 ρ k \rho_k ρk的估计量。 γ ^ k \hat \gamma_k γ^k和 ρ ^ k \hat \rho_k ρ^k也有相应的中心极限定理。
-
对于严平稳遍历序列 { X t } \{X_t\} {Xt}, μ ^ \hat \mu μ^与 γ ^ k \hat \gamma_k γ^k都是 μ , γ k \mu,\gamma_k μ,γk的强相合估计。
-
白噪声检验可以构造 χ ^ m 2 = N ( ρ ^ 1 2 + ⋯ + ρ ^ m 2 ) → d χ 2 ( m ) \hat \chi^2_m=N(\hat\rho_1^2+\cdots+\hat \rho_m^2)\stackrel {\rm d}\to \chi^2(m) χ^m2=N(ρ^12+⋯+ρ^m2)→dχ2(m),也可以使用以下估计量:
Q ( m ) = 1 m # { j ∣ N ∣ ρ j ∣ ≥ 1.96 , 1 ≤ j ≤ m } , Q(m)=\frac 1m\#\{j|\sqrt N|\rho_j|\ge1.96,\quad 1\le j\le m \}, Q(m)=m1#{j∣N∣ρj∣≥1.96,1≤j≤m},当 Q ( m ) > 0.05 Q(m)>0.05 Q(m)>0.05时拒绝白噪声假设。这里都要求 m ≤ N m\le \sqrt N m≤N。