ARMA
Time Series Analysis
author:zoxiii
ARMA
【参考文献】王燕. 应用时间序列分析-第5版[M]. 中国人民大学出版社, 2019.
0-模型
ARMA(p,q)
{ x t = ϕ 0 + ϕ 1 x t − 1 + . . . + ϕ p x t − p + ε t − θ 1 ε t − 1 − . . . − θ q ε t − q ϕ p ≠ 0 , θ q ≠ 0 E ( ε t ) = 0 , V a r ( ε t ) = σ ε 2 , E ( ε t ε s ) = 0 , s ≠ t E ( x s ε t ) = 0 , ∀ s < t \begin{cases} x_t=\phi_0+\phi_1x_{t-1}+...+\phi_px_{t-p}+\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q} \\ \phi_p \neq 0~,~\theta_q\ne 0 \\ E(\varepsilon_t)=0~,~Var(\varepsilon_t)=\sigma_\varepsilon^2~,~E(\varepsilon_t\varepsilon_s)=0~,~s \ne t \\ E(x_s\varepsilon_t)=0~,~\forall s \lt t \end{cases} ⎩⎪⎪⎪⎨⎪⎪⎪⎧xt=ϕ0+ϕ1xt−1+...+ϕpxt−p+εt−θ1εt−1−...−θqεt−qϕp=0 , θq=0E(εt)=0 , Var(εt)=σε2 , E(εtεs)=0 , s=tE(xsεt)=0 , ∀s<t
中心化ARMA(p,q)
x t = ϕ 1 x t − 1 + . . . + ϕ p x t − p + ε t − θ 1 ε t − 1 − . . . − θ q ε t − q x_t=\phi_1x_{t-1}+...+\phi_px_{t-p}+\varepsilon_t-\theta_1\varepsilon_{t-1}-...-\theta_q\varepsilon_{t-q} xt=ϕ1xt−1+...+ϕpxt−p+εt−θ1εt−1−...−θqεt−q
引入延迟算子B
Φ ( B ) x t = Θ ( B ) ε t \Phi(B)x_t=\Theta(B)\varepsilon_t Φ(B)xt=Θ(B)εt
1-均值
E ( x t ) = ϕ 0 1 − ϕ 1 − . . . − ϕ p E(x_t)=\frac{\phi_0}{1-\phi_1-...-\phi_p} E(xt)=1−ϕ1−...−ϕpϕ0
2-方差
V a r ( x t ) = σ ε 2 ∑ i = 0 ∞ G i 2 Var(x_t)=\sigma_\varepsilon^2\sum_{i=0}^{\infty}{G_i^2} Var(xt)=σε2i=0∑∞Gi2
3-延迟k自协方差函数
γ k = σ ε 2 ∑ i = 0 ∞ G i G i + k \gamma_k=\sigma_\varepsilon^2\sum_{i=0}^{\infty}{G_iG_{i+k}} γk=σε2i=0∑∞GiGi+k
4-延迟k自相关系数
ρ k = γ k γ 0 = ∑ i = 0 ∞ G i G i + k ∑ i = 0 ∞ G i 2 \rho_k=\frac{\gamma_k}{\gamma_0}=\frac{\sum_{i=0}^{\infty}{G_iG_{i+k}}}{\sum_{i=0}^{\infty}G_i^2} ρk=γ0γk=∑i=0∞Gi2∑i=0∞GiGi+k
5-延迟k偏自相关系数
拖尾
6-模型比较
模型 | ACF | PACF |
---|---|---|
AR(p)←→ARMA(p,0) | 拖尾 | p阶截尾 |
MA(q)←→ARMA(0,q) | q阶截尾 | 拖尾 |
ARMA(p,q) | 拖尾 | 拖尾 |
7-平稳性与可逆性
ARMA(p,q):
Φ
(
B
)
x
t
=
Θ
(
B
)
ε
t
\Phi(B)x_t=\Theta(B)\varepsilon_t
Φ(B)xt=Θ(B)εt
平稳条件:
Φ
(
B
)
=
0
\Phi(B)=0
Φ(B)=0的根都在单位圆外
可逆条件: Θ ( B ) = 0 \Theta(B)=0 Θ(B)=0的根都在单位圆外
- 当模型平稳且可逆时,它与自相关系数唯一对应
8-传递形式与逆转形式
传递形式
对于一个平稳可逆ARMA(p,q)模型,它的传递形式为:
x
t
=
Θ
(
B
)
Φ
(
B
)
ε
t
=
∑
j
=
0
∞
G
j
ε
t
−
j
x_t=\frac{\Theta(B)}{\Phi(B)}\varepsilon_t=\sum_{j=0}^{\infty}{G_j\varepsilon_{t-j}}
xt=Φ(B)Θ(B)εt=j=0∑∞Gjεt−j
其中
G
j
G_j
Gj为Green函数
,通过待定系数法可得它的递推公式:
{
G
0
=
1
G
k
=
∑
j
=
1
k
ϕ
j
′
G
k
−
j
−
θ
k
′
,
k
≥
1
\begin{cases} G_0=1 \\ G_k=\sum_{j=1}^{k}{\phi_j'G_{k-j}-\theta_k',k \ge 1} \end{cases}
{G0=1Gk=∑j=1kϕj′Gk−j−θk′,k≥1
其中
ϕ
j
′
=
{
ϕ
j
,
1
≤
j
≤
p
0
,
j
>
p
θ
k
′
=
{
θ
k
,
1
≤
k
≤
q
0
,
k
>
q
\phi_j'=\begin{cases} \phi_j,1 \le j \le p \\ 0,j \gt p \end{cases}~~~~~~~~ \theta_k'=\begin{cases} \theta_k,1 \le k \le q \\ 0,k \gt q \end{cases}
ϕj′={ϕj,1≤j≤p0,j>p θk′={θk,1≤k≤q0,k>q
逆转形式
对于一个平稳可逆ARMA(p,q)模型,它的逆转形式为:
ε
t
=
Φ
(
B
)
Θ
(
B
)
x
t
=
∑
j
=
0
∞
I
j
x
t
−
j
\varepsilon_t=\frac{\Phi(B)}{\Theta(B)}x_t=\sum_{j=0}^{\infty}{I_jx_{t-j}}
εt=Θ(B)Φ(B)xt=j=0∑∞Ijxt−j
其中
I
j
I_j
Ij为逆函数
,通过待定系数法可得它的递推公式:
{
I
0
=
1
I
j
=
∑
j
=
1
k
θ
j
′
I
k
−
j
−
ϕ
k
′
,
k
≥
1
\begin{cases} I_0=1 \\ I_j=\sum_{j=1}^{k}{\theta_j'I_{k-j}-\phi_k',k \ge 1} \end{cases}
{I0=1Ij=∑j=1kθj′Ik−j−ϕk′,k≥1
其中
ϕ
j
′
=
{
ϕ
j
,
1
≤
j
≤
p
0
,
j
>
p
θ
k
′
=
{
θ
k
,
1
≤
k
≤
q
0
,
k
>
q
\phi_j'=\begin{cases} \phi_j,1 \le j \le p \\ 0,j \gt p \end{cases}~~~~~~~~ \theta_k'=\begin{cases} \theta_k,1 \le k \le q \\ 0,k \gt q \end{cases}
ϕj′={ϕj,1≤j≤p0,j>p θk′={θk,1≤k≤q0,k>q