数据分析 时间序列分析 AR模型

一.概念

具有如下结构的模型称为p阶自回归模型(Auto Regression Model of order p;AR Model of order p),记为$AR(p)$:$$\begin{gathered} x_t={\phi }_0+{\phi }_1{x}_{t-1}+{\phi }_2{x}_{t-2}+...+{\phi }_p{x}_{t-p}+{\epsilon }_t \\ s.t.\{\begin{array}{l}{\phi }_p\ne 0①\\ E({\epsilon }_t)=0,D({\epsilon }_t)={\sigma }_{\epsilon }^2,\gamma ({\epsilon }_t,{\epsilon }_s)=E({\epsilon }_t{\epsilon }_s)=0(s\ne t)②\\ Cov(x_s,{\epsilon }_t)=0(\forall s<t)③\end{array} \end{gathered}$$其中条件$①$保证模型的阶数为$p$;条件$②$说明随机干扰序列 { ε t } \{ε_t\} { εt​}为具有0均值的白噪声序列;条件$③$说明当期的随机干扰与过去的序列值无关.特别地,当${\phi }_0=0$时,称其为中心化$AR(p)$模型.当序列 { x t } \{x_t\} { xt​}为非中心化$AR(p)$序列$($即${\phi }_0\ne 0)$时,则可通过下述变换转化为中心化$AR(p)$序列$$\begin{gathered} y_t=x_t-\mu \\ \mu =\frac{{\phi }_0}{1-{\phi }_1-...-{\phi }_p} \end{gathered}$$则称该变换为中心化变换, { y t } \{y_t\} { yt​}为 { x t } \{x_t\} { xt​}的中心化序列.中心化变换对序列值间的关系没有任何影响,因此分析序列值间的关系时只需对相应的中心化$AR(p)$序列进行分析.通过引进延迟算子,可将中心化$AR(p)$模型简记为$$\phi (B)x_t={\epsilon }_t$$其中$\phi (B)$称为自回归系数多项式,有$$\phi (B)=1-{\phi }_{1}B-{\phi }_2{B}^2-...-{\phi }_p{B}^p$$

二.$AR$模型的平稳性

AR模型是常用的平稳序列的拟合模型之一,但并非所有AR模型都是平稳的

1.图示判别法:

从模型生成1个时间序列,模型与序列的平稳性应相同.再绘制出该序列的时序图,从而将对模型平稳性的检验转换为对时间序列平稳性的时序图检验.这种
方法比较直观,但也比较粗糙

2.特征根判别法:

$p$阶$AR$模型为$$x_t={\phi }_1{x}_{t-1}+{\phi }_2{x}_{t-2}+...+{\phi }_p{x}_{t-p}+{\epsilon }_t$$可转换为$$x_t-{\phi }_1{x}_{t-1}-{\phi }_2{x}_{t-2}-...-{\phi }_p{x}_{t-p}={\epsilon }_t$$则对应的特征方程为$${\lambda }^p-{\phi }_1{\lambda }^{p-1}-{\phi }_2{\lambda }^{p-2}-...-{\phi }_p=0$$由于特征方程为$p$次多项式,故该方程在复数域内必有$p$个特征根,记为${\lambda }_i(i=1,2...p)$.$p$阶$AR$模型平稳的充要条件是其$p$个特征根都落在单位圆内.由于特征根与自回归系数多项式的根互为倒数,该条件等价于自回归系数多项式的根都落在单位圆外

3.平稳域判别法:

记$AR(p)$模型的参数向量为$\phi =({\phi }_1,{\phi }_2...{\phi }_p{)}^{\prime }$.将使特征根都落在单位圆内的参数向量构成的集合称为$AR(p)$模型的平稳域.从而判断模型是否平稳就相当于判断模型的参数向量是否落在平稳域内

以$AR(1)$模型为例:模型为$$x_t={\phi }_1{x}_{t-1}+{\epsilon }_t$$相应的特征方程为$$\lambda -{\phi }_1=0$$从而特征根为${\lambda }_1={\phi }_1$.根据特征根判别法,$AR(1)$模型平稳的充要条件是:$$|{\lambda }_1|<1$$从而$AR(1)$模型的平稳域为 { φ 1   ∣   − 1 < φ 1 < 1 } \{φ_1\,|\,-1<φ_1<1\} { φ1​∣−1<φ1​<1}

再以$AR(2)$模型为例:模型为$$x_t={\phi }_1{x}_{t-1}+{\phi }_2{x}_{t-2}+{\epsilon }_t$$相应的特征方程为 λ 2 −