时间序列预测专项——SARIMAX介绍
本文主要介绍如何用延迟算子(Backshift operator ,记为B)或滞后算子(Lag Operator,记为L)表示 ARIMA model。
一、延迟算子
1、一阶差分
Δ
y
t
=
y
t
−
y
t
−
1
=
(
1
−
B
)
y
t
\Delta{y_t}=y_t-y_{t-1}=(1-B)y_t
Δyt=yt−yt−1=(1−B)yt
2、二阶差分
Δ
2
y
t
=
(
1
−
B
)
2
y
t
=
(
y
t
−
y
t
−
1
)
−
(
y
t
−
1
−
y
t
−
2
)
\Delta^{2}{y_t}=(1-B)^2y_t=(y_t-y_{t-1})-(y_{t-1}-y_{t-2})
Δ2yt=(1−B)2yt=(yt−yt−1)−(yt−1−yt−2)
3、n阶差分
Δ
n
y
t
=
(
1
−
B
)
n
y
t
\Delta^{n}{y_t}=(1-B)^ny_t
Δnyt=(1−B)nyt
二、AR model
1、AR(1)模型,如下:
y
t
=
ϕ
y
t
−
1
+
ε
t
y_t=\phi y_{t-1}+\varepsilon_t
yt=ϕyt−1+εt
用延迟算子表示AR(1)模型,如下:
(
1
−
ϕ
B
)
y
t
=
ε
t
(1-\phi B)y_t=\varepsilon_t
(1−ϕB)yt=εt
2、AR( p )模型,如下:
y
t
=
ϕ
1
y
t
−
1
+
ϕ
2
y
t
−
2
+
.
.
.
+
ϕ
p
y
t
−
p
+
ε
t
y_t=\phi_1y_{t-1}+\phi_2y_{t-2}+...+\phi_py_{t-p}+\varepsilon_t
yt=ϕ1yt−1+ϕ2yt−2+...+ϕpyt−p+εt
用延迟算子表示AR( p )模型,如下:
(
1
−
ϕ
1
B
−
ϕ
2
B
2
−
.
.
.
−
ϕ
p
B
p
)
y
t
=
ε
t
(1-\phi_1B-\phi_2B^2-...-\phi_pB^p)y_t=\varepsilon_t
(1−ϕ1B−ϕ2B2−...−ϕpBp)yt=εt
三、MA model
MA(q)模型,如下:
y
t
=
ε
t
+
θ
1
ε
t
−
1
+
θ
2
ε
t
−
2
+
.
.
.
+
θ
q
ε
t
−
q
y_t=\varepsilon_t+\theta_1\varepsilon_{t-1}+\theta_2\varepsilon_{t-2}+...+\theta_q\varepsilon_{t-q}
yt=εt+θ1εt−1+θ2εt−2+...+θqεt−q
用延迟算子表示MA(q)模型,如下:
y
t
=
(
1
+
θ
1
B
+
θ
2
B
2
+
.
.
.
+
θ
q
B
q
)
ε
t
y_t=(1+\theta_1B+\theta_2B^2+...+\theta_qB^q)\varepsilon_t
yt=(1+θ1B+θ2B2+...+θqBq)εt
四、ARMA model
令
ϕ
(
B
)
=
1
−
ϕ
1
B
−
ϕ
2
B
2
−
.
.
.
−
ϕ
p
B
p
,
θ
(
B
)
=
1
+
θ
1
B
+
θ
2
B
2
+
.
.
.
+
θ
q
B
q
\phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p,\theta(B)=1+\theta_1B+\theta_2B^2+...+\theta_qB^q
ϕ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp,θ(B)=1+θ1B+θ2B2+...+θqBq,于是ARMA(p,q)模型可以表示为:
ϕ
(
B
)
y
t
=
θ
(
B
)
ε
t
\phi(B)y_t=\theta(B)\varepsilon_t
ϕ(B)yt=θ(B)εt
五、ARIMA model
ARIMA(p,d,q)模型可以表示为:
ϕ
(
B
)
y
t
∗
=
θ
(
B
)
ε
t
\phi(B)y_t^{*}=\theta(B)\varepsilon_t
ϕ(B)yt∗=θ(B)εt
其中
y
t
∗
=
Δ
d
y
t
=
(
1
−
B
)
d
y
t
y_t^{*}=\Delta^{d}y_t=(1-B)^{d}y_t
yt∗=Δdyt=(1−B)dyt.
六、加法季节ARIMA model
考虑加法季节效应时,令$p=1,d=1,q=(1,0,0,1),模型可表示为:
Δ
y
t
=
ϕ
Δ
y
t
−
1
+
θ
1
ε
t
−
1
+
θ
2
ε
t
−
4
\Delta y_t=\phi \Delta y_{t-1}+\theta_1\varepsilon_{t-1}+\theta_2 \varepsilon_{t-4}
Δyt=ϕΔyt−1+θ1εt−1+θ2εt−4
七、乘法季节ARIMA model
1、乘法季节模型SARIMA(p,d,q)
×
\times
×(P,D,Q,s)
ϕ
p
(
B
)
ϕ
~
P
(
B
s
)
y
t
∗
=
θ
q
(
B
)
θ
~
Q
(
B
s
)
ε
t
\phi_p(B)\widetilde{\phi}_P(B^s)y_t^{*}=\theta_q(B)\widetilde{\theta}_Q(B^s)\varepsilon_t
ϕp(B)ϕ
P(Bs)yt∗=θq(B)θ
Q(Bs)εt
其中,
y
t
∗
=
A
(
t
)
+
Δ
d
Δ
s
D
y
t
=
(
1
−
B
)
d
(
1
−
B
s
)
D
y
t
y_t^{*}=A(t)+\Delta^d\Delta_s^{D}y_t=(1-B)^d(1-B^s)^Dy_t
yt∗=A(t)+ΔdΔsDyt=(1−B)d(1−Bs)Dyt.
- ϕ p ( B ) \phi_p(B) ϕp(B):非季节性自回归滞后多项式
- ϕ ~ P ( B s ) \widetilde{\phi}_P(B^s) ϕ P(Bs):季节性自回归滞后多项式
- θ q ( B ) \theta_q(B) θq(B):非季节性移动平均滞后多项式
- θ ~ Q ( B s ) \widetilde{\theta}_Q(B^s) θ Q(Bs):季节性移动平均滞后多项式
- A ( t ) A(t) A(t):趋势多项式,可以是常数
2、特别地,SARIMA(1,1,1)
×
\times
×(1,1,0,12)可以表示为:
(
1
−
ϕ
B
)
(
1
−
ϕ
~
B
12
)
y
t
∗
=
(
1
−
θ
B
)
ε
t
(1-\phi B)(1-\widetilde{\phi}B^{12})y_t^{*}=(1-\theta B)\varepsilon_t
(1−ϕB)(1−ϕ
B12)yt∗=(1−θB)εt
其中,
y
t
∗
=
Δ
Δ
12
y
t
=
(
1
−
B
)
(
1
−
B
12
)
y
t
y_t^{*}=\Delta\Delta_{12}y_t=(1-B)(1-B^{12})y_t
yt∗=ΔΔ12yt=(1−B)(1−B12)yt.