引言
时间序列建模的主要目标之一就是对时间序列未来取值的预测. 而另一个最重要的目标即是对预测精确性的评估.
可以说之前的所有知识都是为预测与评估作准备的.
所谓预测就是利用已观测样本数据,对未来某时刻的取值进行估计. 对时间序列预测,基于这样一个假设: 已观测信息包含时间序列模型的所有信息,其中一部分是可读的,基于可读信息,可以构建时间序列模型,此模型在一定的精度要求下, 可以作为真实模型的近似.
最佳线性预测
设时间序列\(\{X_t,\quad t=\pm1,\pm2,\dots,N\}\), 对未来 l 步预测,目前最通用的预测准则为最小方差预测原则:
\[\hat{X_N}(l) = E(X_{N+l} |X_1,X_2,\dots,X_N)
\]
\[argmin_{params} E(\hat{X_N} - X_{N+l})^2
\]
一般地, 寻求的模型,大约都时间序列\(\{X_t,\quad t=\pm1,\pm2,\dots\}\) 各时间点的线性组合, 因而满足上述条件的模型,也称为(l 步)最佳线性预测(之前,研究时间序列的学者都将'预测'称之为''预报''(forcasting), '预测'常被使用则是最近的事).则 上式可写成:
\[E(a_1X_1+ a_2X_2 +\dots+X_N - X_{N+l}) ^2= E(X_{N+l} - \sum_{i=1}^N a_i X_{N+1-i})^2 = min
\]
其中\(a_i\) 表示(组合)系数.
则上式等价于:
\[E\big(X_{N+l} - \sum_{i = 1}^{N}a_iX_{N+1-i} \big)X_j = 0,\quad 1\le j\le N
\]
求期望可得:
\[\gamma_{N+l-i} = \sum_{i = 1}^{N} a_i\gamma_{N+1 - j-i}, \quad j = 1,2,\dots N
\]
写成矩阵形:
\[\left(
\begin{array}
\\ \gamma_0 \quad\gamma_1\quad\dots\quad\gamma_{N-1}\\
\gamma_1\quad\gamma_0\quad\dots\quad\gamma_{N-2}\\
\vdots\quad