时间序列 · 平稳序列
时间序列的定义
时间序列是按照时间次序排列的随机变量序列。任何时间序列经过合理的函数变换后都可以被认为是由三个部分叠加而成的:趋势项部分、周期项部分和随机噪声项部分。
X t = T t + S t + R t , t = 1 , 2 , . . . X_t=T_t+S_t+R_t \ , \ \ \ \ t=1,2,... Xt=Tt+St+Rt , t=1,2,...
时间序列在适当的去掉趋势项和季节项后,剩下的随机部分通常会有某种平稳性。带有平稳性的时间序列是时间序列分析研究的重点。于是,引出平稳序列的相关概念和性质。
平稳序列的定义
对于独立时间序列 { X t } \{X_t\} { Xt} , ( X 1 , X 2 , . . . , X n ) (X_1,X_2,...,X_n) (X1,X2,...,Xn) 和 X n + 1 X_{n+1} Xn+1 独立,从而不会含有任何关于 X n + 1 X_{n+1} Xn+1 的信息。平稳时间序列的历史记录 X 1 , X 2 , . . . , X n X_1,X_2,...,X_n X1,X2,...,Xn 中往往含有 X n + 1 X_{n+1} Xn+1 的信息,这就使得利用历史样本预测将来成为可能。
如果时间序列 { X t } \{X_t\} { Xt} 满足
(1) 对任何 t ∈ N t\in\N t∈N , E ( X t 2 ) < ∞ {\rm E}(X_t^2)<\infty E(Xt2)<∞ ;
(2) 对任何 t ∈ N t\in\N t∈N , E ( X t ) = μ {\rm E}(X_t)=\mu E(Xt)=μ ;
(3) 对任何 t , s ∈ N t,\,s\in\N t,s∈N , E [ ( X t − μ ) ( X s − μ ) ] = γ t − s {\rm E}[(X_t-\mu)(X_s-\mu)]=\gamma_{t-s} E[(Xt−μ)(Xs−μ)]=γt−s
就称 { X t } \{X_t\} { Xt} 是平稳时间序列,称实数列 { γ k } \{\gamma_k\} { γk} 为 { X t } \{X_t\} { Xt} 的自协方差函数。
平稳序列中的随机变量 X t X_t Xt 的均值和方差都是与 t t t 无关的常数。
对任何 t , s ∈ Z t,\,s\in\Z t,s∈Z 和 k ∈ Z k\in\Z k∈Z , ( X t , X s ) (X_t,\,X_s) (Xt,Xs) 和平移 k k k 步后的 ( X t + k , X s + k ) (X_{t+k},\,X_{s+k}) (Xt+k,Xs+k) 有相同的协方差:
C o v ( X t , X s ) = C o v ( X t + k , X s + k ) = γ t − s {\rm Cov}(X_t,\,X_s)={\rm Cov}(X_{t+k},\,X_{s+k})=\gamma_{t-s} Cov(Xt,Xs)=Cov(Xt+k,Xs+k)=γt−s
即平稳序列的任意两个随机变量的协方差只与时间差有关,称为协方差结构的平移不变性。
时间序列分析的重要特点之一是利用自协方差函数研究平稳序列的统计性质,因此需要对 { γ k } \{\gamma_k\} { γk} 的性质进行探讨。
自协方差函数满足以下三条基本性质:
(1) 对称性: γ k = γ − k \gamma_k=\gamma_{-k} γk=γ−k ,对所有 k ∈ Z k\in\Z k∈Z 成立;
(2) 非负定性:对任何 n ∈ N + n\in\N_+ n∈N+ , n n n 阶自协方差矩阵
Γ n = ( γ k − j ) k , j = 1 n = [ γ 0 γ 1 ⋯ γ n − 1 γ 1 γ 0 ⋯ γ n − 2 ⋮ ⋮ ⋮ γ n − 1 γ n − 2 ⋯ γ 0 ] \boldsymbol{\Gamma}_n=(\gamma_{k-j})_{k,\,j=1}^n=\left[ \begin{array}{cccc} \gamma_0 & \gamma_1 & \cdots & \gamma_{n-1} \\ \gamma_1 & \gamma_0 & \cdots & \gamma_{n-2} \\ \vdots & \vdots & & \vdots \\ \gamma_{n-1} & \gamma_{n-2} & \cdots & \gamma_0 \\ \end{array} \right] Γn=(γk−j)k,j=1n=⎣⎢⎢⎢⎡γ0γ1⋮γn−1γ1γ0⋮γn−2⋯⋯⋯γn−1γn−2⋮γ0