本文介绍了时间序列分析中的MA(q)模型，包括基本概念如协方差、相关系数和偏自相关系数，详细定义了MA(q)模型并探讨其性质，如均值函数、方差函数和自相关函数的q阶截尾性。此外，还讨论了MA(q)模型的逆转形式和可逆性条件。
基本概念
在讨论时间序列的MA(q)模型前，我们首先了解以下相关的概念
1、协方差：反映的是随机变量之间的关系，在时间序列里，类似协方差函数，我们可以给出自协方差的概念。因为时间序列是一维的，没法找到一个别的数据和自己比较，
于是只能和自己慢几拍的（滞后期）数据进行比较，所以有了自协方差数据。 { Y = α X 1 + β X 2 （随机变量之间的） X t = α X t − 1 + β X t − 2 （时间序列前后时间之间的） 自协方差的公式： Y ^ = E ( Z t − Z ˉ ) ( Z t + k − Z ˉ ) *(序列是平稳的，故均值相等) \begin{cases} Y = \alpha X_1+\beta X_2 \quad {\text{（随机变量之间的） }}\\ X_t=\alpha X_{t-1}+\beta X_{t-2}\quad {\text{（时间序列前后时间之间的） }} \end{cases}\\ \text{自协方差的公式：}\hat{Y}=E(Z_t-\bar{Z})(Z_{t+k}-\bar{Z})\quad \text{*(序列是平稳的，故均值相等)} {
Y=αX1+βX2（随机变量之间的） Xt=αXt−1+βXt−2（时间序列前后时间之间的） 自协方差的公式：Y^=E(Zt−Zˉ)(Zt+k−Zˉ)*(序列是平稳的，故均值相等)
2、相关系数是协方差的归一化，消除了两个变量的量纲变化幅度不同的影响，单纯地反映两个变量在每单位变化的相似程度。时间序列中对应的是自相关函数，平稳序列下公式如下： ρ k = γ ( t , t + k ) v a r ( X t ) v a r X t + k = γ k γ 0 \rho_k=\frac{\gamma (t,t+k)}{\sqrt{var(X_t)}\sqrt{var X_{t+k}}}=\frac{\gamma_k}{\gamma_0} ρk=var(Xt)varXt+kγ(t,t+k)=γ0γk
3、偏自相关系数
自相关函数虽然反映了时间序列在两个不同时刻 X t X_t Xt, X s X_s Xs, s < t s<t s<t的相依程度,但是两个不同时间之间还有其他时间变量 X s + 1 , X s + 2 , ⋯   , X t − 1 X_{s+1},X_{s+2},\cdots,X_{t-1} Xs+1,X
最低0.47元/天 解锁文章
扫一扫
3955
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
