Contents
平稳序列的偏相关系数
Yule-Walker 系数
在描述 Yule-Walker 方程的向量形式时,我们将自回归系数向量定义如下:
a n = ( a n , 1 , a n , 2 , ⋯ , a n , n ) T ≜ ( a 1 , a 2 , ⋯ , a p , 0 , 0 , ⋯ , 0 ) T , n ≥ p . \boldsymbol{a}_n=(a_{n,1},a_{n,2},\cdots,a_{n,n})^{\rm T} \triangleq(a_1,a_2,\cdots,a_p,0,0,\cdots,0)^{\rm T} \ , \ \ \ \ n\geq p. an=(an,1,an,2,⋯,an,n)T≜(a1,a2,⋯,ap,0,0,⋯,0)T , n≥p.
这一形式和偏相关系数有关,现在对这一定义进行更深的探讨。
设 { γ k } \{\gamma_k\} {
γk} 和 Γ n \boldsymbol\Gamma_n Γn 分别为平稳序列 { X t } \{X_t\} {
Xt} 的自协方差函数和 n n n 阶自协方差矩阵, γ n \boldsymbol\gamma_n γn 为 n n n 阶自协方差向量,回顾定义如下:
Γ n = [ γ 0 γ 1 ⋯ γ n − 1 γ 1 γ 0 ⋯ γ n − 2 ⋮ ⋮ ⋮ γ n − 1 γ n − 2 ⋯ γ 0 ] , γ n = [ γ 1 γ 2 ⋮ γ n ] . \boldsymbol\Gamma_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], \ \ \ \ \ \ \ \ \boldsymbol\gamma_n=\left[ \begin{array}{cccc} \gamma_1 \\ \gamma_2 \\ \vdots \\ \gamma_n \\ \end{array} \right]. Γn=⎣⎢⎢⎢⎡γ0γ1⋮γn−1γ1γ0⋮γn−2⋯⋯⋯γn−1γn−2⋮γ0⎦⎥⎥⎥⎤, γn=⎣⎢⎢⎢⎡γ1γ2⋮γn⎦⎥⎥⎥⎤.
回顾 { γ k } \{\gamma_k\} {
γk} 的 n n n 阶 Yule-Walker 方程为
Γ n a n = γ n . \boldsymbol\Gamma_n\boldsymbol{a}_n=\boldsymbol\gamma_n. Γnan=γn.
在这里我们将 a n = ( a n , 1 , a n , 2 , ⋯ , a n , n ) T \boldsymbol{a}_n=(a_{n,1},a_{n,2},\cdots,a_{n,n})^{\rm T} an=(an,1,an,2,⋯,an,n)T 称为 { γ k } \{\gamma_k\} {
γk} 的 n n n 阶 Yule-Walker 系数。
当 Γ n \boldsymbol\Gamma_n Γn 正定时, a n \boldsymbol{a}_n an 由 γ 0 , γ 1 , ⋯ , γ n \gamma_0,\gamma_1,\cdots,\gamma_n γ0,γ1,⋯,γn 唯一决定。
最佳线性预测
首先我们描述一个平稳序列 { X t } \{X_t\} {
Xt} 的线性预测问题:设 { X t } \{X_t\} {
Xt} 是零均值平稳序列,考虑用 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 对 X n + 1 X_{n+1} Xn+1 进行线性预测。即用 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 的线性组合对 X n + 1 X_{n+1} Xn+1 进行预测,写成向量形式为
∑ j = 1 n b n , j X n − j + 1 = b n T X n \sum_{j=1}^nb_{n,j}X_{n-j+1}=\boldsymbol{b}_n^{\rm T}\boldsymbol{X}_n j=1∑nbn,jXn−j+1=bnTXn
其中 X n = ( X n , X n − 1 , ⋯ , X 1 ) T \boldsymbol{X}_n=(X_n,X_{n-1},\cdots,X_1)^{\rm T} Xn=(Xn,Xn−1,⋯,X1)T , b n = ( b n , 1 , b n , 2 , ⋯ , b n , n ) T \boldsymbol{b}_n=(b_{n,1},b_{n,2},\cdots,b_{n,n})^{\rm T} bn=(bn,1,bn,2