非决定性平稳序列
非决定性平稳序列
对平稳序列,我们常常考虑用所有的历史信息 { X t : t ≤ n } \{X_t:t\leq n\} {Xt:t≤n} 对 X n + 1 X_{n+1} Xn+1 进行最佳线性预测。根据能否做出精准预测,我们可以将平稳序列分为两种:当预测误差为零时, X n + 1 X_{n+1} Xn+1 的信息完全含在历史资料中,这样的平稳序列被称为决定性平稳序列;当预测误差不为零时,说明 X n + 1 X_{n+1} Xn+1 的信息不完全含在历史信息的线性组合及其极限完全确定,这样的平稳序列被称为非决定性平稳序列。首先我们先定义历史信息及其预测误差。
设
{
X
n
:
n
∈
Z
}
\{X_n:n\in\Z\}
{Xn:n∈Z} 是零均值平稳序列,将我们可以获得
m
m
m 期滞后的历史信息记为
X
n
,
m
=
(
X
n
,
X
n
−
1
,
⋯
,
X
n
+
1
−
m
)
T
,
\boldsymbol{X}_{n,m}=(X_n,X_{n-1},\cdots,X_{n+1-m})^{\rm T}\ ,
Xn,m=(Xn,Xn−1,⋯,Xn+1−m)T ,
当
m
→
∞
m\to\infty
m→∞ 时该向量即可表示所有历史信息。
定义
X
^
n
+
1
,
m
=
L
(
X
n
+
1
∣
X
n
,
m
)
,
\hat{X}_{n+1,m}=L(X_{n+1}|\boldsymbol{X}_{n,m})\ ,
X^n+1,m=L(Xn+1∣Xn,m) ,
σ 1 , m 2 = E ( X n + 1 − X ^ n + 1 , m ) 2 \sigma^2_{1,m}={\rm E}(X_{n+1}-\hat{X}_{n+1,m})^2 σ1,m2=E(Xn+1−X^n+1,m)2
我们知道随着历史信息增多,预测的效果不会更差,因此预测误差
σ
1
,
m
2
\sigma^2_{1,m}
σ1,m2 是
m
m
m 的单调递减函数。如果我们想要表示用所有历史信息的预测误差,只需求极限
σ
1
2
=
lim
m
→
∞
σ
1
,
m
2
=
lim
m
→
∞
E
(
X
n
+
1
−
X
^
n
+
1
,
m
)
2
<
∞
,
\sigma_1^2=\lim_{m\to\infty}\sigma_{1,m}^2=\lim_{m\to\infty}{\rm E}(X_{n+1}-\hat{X}_{n+1,m})^2<\infty \ ,
σ12=m→∞limσ1,m2=m→∞limE(Xn+1−X^n+1,m)2<∞ ,
并且有定理证明该极限与
n
n
n 无关。
下面我们引入平稳序列的决定性的定义。
先重述一下之前定义的几个量:
σ 1 , m 2 = E ( X n + 1 − X ^ n + 1 , m ) 2 \sigma^2_{1,m}={\rm E}(X_{n+1}-\hat{X}_{n+1,m})^2 σ1,m2=E(Xn+1−X^n+1,m)2
称为用 m m m 个历史信息对下一个时间点进行预测的均方误差,
σ 1 2 = lim m → ∞ σ 1 , m 2 = lim m → ∞ E ( X n + 1 − X ^ n + 1 , m ) 2 \sigma_1^2=\lim_{m\to\infty}\sigma_{1,m}^2=\lim_{m\to\infty}{\rm E}(X_{n+1}-\hat{X}_{n+1,m})^2 σ12=m→∞limσ1,m2=m→∞limE(Xn+1−X^n+1,m)2
称为用全部历史信息对下一个时间点进行预测的均方误差,即一步预测的均方误差。平稳序列的决定性的定义:
(1) 如果 σ 1 2 = 0 \sigma_1^2=0 σ12=0 ,称 { X t } \{X_t\} {Xt} 是决定性平稳序列;
(2) 如果 σ 1 2 > 0 \sigma_1^2>0 σ12>0 ,称 { X t } \{X_t\} {Xt} 是非决定性平稳序列。
有一类特殊的决定性平稳序列,其最佳线性预测为可完全线性预测,其满足以下性质:
设平稳序列
{
X
t
}
\{X_t\}
{Xt} 的
n
+
1
n+1
n+1 阶自协方差矩阵
Γ
n
+
1
\boldsymbol{\Gamma}_{n+1}
Γn+1 退化,
∣
Γ
n
∣
>
0
|\boldsymbol\Gamma_n|>0
∣Γn∣>0 ,则
X
1
,
X
2
,
⋯
,
X
n
,
X
n
+
1
X_1,X_2,\cdots,X_n,X_{n+1}
X1,X2,⋯,Xn,Xn+1 线性相关,所以
X
n
+
1
X_{n+1}
Xn+1 可以由
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn 线性表示,于是
L
(
X
n
+
1
∣
X
n
,
X
n
−
1
,
⋯
,
X
1
)
=
X
n
+
1
L(X_{n+1}|X_n,X_{n-1},\cdots,X_1)=X_{n+1}
L(Xn+1∣Xn,Xn−1,⋯,X1)=Xn+1 ,当
m
≥
n
m\geq n
m≥n 时,
L
(
X
n
+
1
∣
X
n
,
X
n
−
1
,
⋯
,
X
n
−
m
+
1
)
=
X
n
+
1
,
L(X_{n+1}|X_n,X_{n-1},\cdots,X_{n-m+1})=X_{n+1}\ ,
L(Xn+1∣Xn,Xn−1,⋯,Xn−m+1)=Xn+1 ,
即有
σ
1
,
m
2
=
0
\sigma_{1,m}^2=0
σ1,m2=0 进而显然有
σ
1
2
=
0
\sigma^2_1=0
σ12=0 ,
{
X
t
}
\{X_t\}
{Xt} 是决定性平稳序列。
纯非决定性平稳序列
决定性与非决定性取决于平稳序列的一步预测的均方误差是否为零,那么接下来我们继续延伸到 k k k 步预测。
对于非决定性序列,用
X
n
,
m
\boldsymbol{X}_{n,m}
Xn,m 预测
X
n
+
k
X_{n+k}
Xn+k 的误差会随
k
k
k 的增大而增大,同理定义
σ
k
,
m
2
=
E
[
X
n
+
k
−
L
(
X
n
+
k
∣
X
n
,
X
n
−
1
,
⋯
,
X
n
−
m
+
1
)
]
2
,
\sigma_{k,m}^2={\rm E}\left[X_{n+k}-L(X_{n+k}|X_n,X_{n-1},\cdots,X_{n-m+1})\right]^2\ ,
σk,m2=E[Xn+k−L(Xn+k∣Xn,Xn−1,⋯,Xn−m+1)]2 ,
则
σ
k
,
m
2
\sigma^2_{k,m}
σk,m2 也是
m
m
m 的单调递减函数,与
n
n
n 无关。
定义 k k k 步预测的均方误差如下:
σ k 2 = lim m → ∞ σ k , m 2 = lim m → ∞ E [ X n + k − L ( X n + k ∣ X n , m ) ] 2 \sigma^2_k=\lim_{m\to\infty}\sigma_{k,m}^2=\lim_{m\to\infty}{\rm E}\left[X_{n+k}-L(X_{n+k}|\boldsymbol{X}_{n,m})\right]^2 σk2=m→∞limσk,m2=m→∞limE[Xn+k−L(Xn+k∣Xn,m)]2
考虑用充分多的历史信息对未来 X n + k X_{n+k} Xn+k 进行预测时, k k k 越大说明预测信息和被预测信息的时间间隔越长,预测的误差就越大。用 { σ k 2 } \{\sigma_k^2\} {σk2} 序列来表示,即为 σ k 2 ≥ σ k − 1 2 \sigma_k^2\geq\sigma^2_{k-1} σk2≥σk−12 。这一性质通过如下过程即可验证:
σ k 2 = lim m → ∞ E [ X n + k − L ( X n + k ∣ X n , X n − 1 , ⋯ , X n − m + 1 ) ] 2 = lim m → ∞ E [ X n + k − 1 − L ( X n + k − 1 ∣ X n − 1 , X n − 2 , ⋯ , X n − m ) ] 2 ≥ lim m → ∞ E [ X n + k − 1 − L ( X n + k − 1 ∣ X n , X n − 1 , ⋯ , X n − m ) ] 2 = σ k − 1 2 \begin{aligned} \sigma_k^2 &= \lim_{m\to\infty}{\rm E}\left[X_{n+k}-L(X_{n+k}|X_n,X_{n-1},\cdots,X_{n-m+1})\right]^2 \\ &= \lim_{m\to\infty}{\rm E}\left[X_{n+k-1}-L(X_{n+k-1}|X_{n-1},X_{n-2},\cdots,X_{n-m})\right]^2 \\ &\geq \lim_{m\to\infty}{\rm E}\left[X_{n+k-1}-L(X_{n+k-1}|X_{n},X_{n-1},\cdots,X_{n-m})\right]^2 \\ &=\sigma_{k-1}^2 \end{aligned} σk2=m→∞limE[Xn+k−L(Xn+k∣Xn,Xn−1,⋯,Xn−m+1)]2=m→∞limE[Xn+k−1−L(Xn+k−1∣Xn−1,Xn−2,⋯,Xn−m)]2≥m→∞limE[Xn+k−1−L(Xn+k−1∣Xn,Xn−1,⋯,Xn−m)]2=σk−12
由此说明
σ
k
2
\sigma_k^2
σk2 是
k
k
k 的单调不减函数,但要注意
σ
k
,
m
2
\sigma_{k,m}^2
σk,m2 与
k
k
k 没有确定的函数单调性。下面我们考虑
{
σ
k
2
}
\{\sigma_k^2\}
{σk2} 的上限,由于
σ
k
2
≤
E
(
X
n
+
k
−
0
)
2
=
γ
0
\sigma_k^2\leq{\rm E}(X_{n+k}-0)^2=\gamma_0
σk2≤E(Xn+k−0)2=γ0
所以根据单调收敛定理,
{
σ
k
2
}
\{\sigma_k^2\}
{σk2} 序列单调递增且有上界因此必有极限。当
k
→
∞
k\to\infty
k→∞ 时,如果
σ
k
2
→
γ
0
\sigma_k^2\to\gamma_0
σk2→γ0 ,这说明用充分多的历史信息对遥远的将来进行预测根本没什么效果。引入纯非决定性序列的相关定义。
设 ${X_t} 是非决定性的平稳序列,如果
lim k → ∞ σ k 2 = γ 0 , \lim_{k\to\infty}\sigma_k^2=\gamma_0 \ , k→∞limσk2=γ0 ,
就称 { X t } \{X_t\} {Xt} 是纯非决定性平稳序列。
事实上,对于纯非决定性平稳序列,有如下的结果:
lim
k
→
∞
lim
m
→
∞
E
[
L
(
X
n
+
k
∣
X
n
,
X
n
−
1
,
⋯
,
X
n
−
m
+
1
)
]
2
=
0
\lim_{k\to\infty}\lim_{m\to\infty}{\rm E}[L(X_{n+k}|X_n,X_{n-1},\cdots,X_{n-m+1})]^2=0
k→∞limm→∞limE[L(Xn+k∣Xn,Xn−1,⋯,Xn−m+1)]2=0
这说明用纯非决定性平稳序列做长期或超长期预测是不合适的。
这一结果的证明如下:
记
X
^
n
+
k
,
m
=
L
(
X
n
+
k
∣
X
n
,
X
n
−
1
,
⋯
,
X
n
−
m
+
1
)
\hat{X}_{n+k,m}=L(X_{n+k}|X_n,X_{n-1},\cdots,X_{n-m+1})
X^n+k,m=L(Xn+k∣Xn,Xn−1,⋯,Xn−m+1) 根据正交和投影的性质(可以理解为勾股定理)有
σ
k
,
m
2
=
E
(
X
n
+
k
−
X
^
n
+
k
,
m
)
2
=
E
X
n
+
k
2
−
E
X
^
n
+
k
,
m
2
\sigma_{k,m}^2={\rm E}(X_{n+k}-\hat{X}_{n+k,m})^2={\rm E}X_{n+k}^2-{\rm E}\hat{X}_{n+k,m}^2
σk,m2=E(Xn+k−X^n+k,m)2=EXn+k2−EX^n+k,m2
移项之后两边取双重极限得到
lim
k
→
∞
lim
m
→
∞
E
X
^
n
+
k
,
m
2
=
lim
k
→
∞
lim
m
→
∞
(
γ
0
−
σ
k
,
m
2
)
=
γ
0
−
lim
k
→
∞
lim
m
→
∞
σ
k
,
m
2
=
γ
0
−
γ
0
=
0
.
\lim_{k\to\infty}\lim_{m\to\infty}{\rm E}\hat{X}_{n+k,m}^2=\lim_{k\to\infty}\lim_{m\to\infty}\left(\gamma_0-\sigma_{k,m}^2\right)=\gamma_0-\lim_{k\to\infty}\lim_{m\to\infty}\sigma_{k,m}^2=\gamma_0-\gamma_0=0 \ .
k→∞limm→∞limEX^n+k,m2=k→∞limm→∞lim(γ0−σk,m2)=γ0−k→∞limm→∞limσk,m2=γ0−γ0=0 .