前言
略过介绍性的知识,直接怼重难点。
1. 平稳性 Stationarity
直观上看当数据没有明显的模式特征的话(趋势性、季节性),我们认为它是平稳的。定义上“平稳”指固定时间和位置的概率分布与所有时间和位置的概率分布相同的随机过程。其数学期望和方差这些参数也不随时间和位置变化。
在时间序列预测的过程中,我们首先要判断数据是否具有平稳性。如果非平稳,除去趋势性和季节性的特征,使其达到平稳状态对于准确地预测数据有至关重要的作用。
E(Yt) = μ 期望为常数
Var(Yt) =σ2 方差为常数
Cov(Yt , Yt+k) = E[( Yt - μ)( Yt+k - μ )]=rk 任意两个时期之间的协方差仅依赖于这两个时期的距离。当k确定,这也是常数,这条就是接下来重点理解的。
附:以上讲的严格来说都叫弱平稳性 Stationarity(weak),而强平稳性是要求 Yt 与 Yt