第四章 ARMA模型的特性

4.1 格林函数与平稳性

4.1.1 线性常系数差分方程

这一部分内容只需对差分方程有基础的认识就可以，能判断是几阶差分方程，是齐次还是非齐次，会求非齐次差分方程的通解就行，这一部分的内容是本小节的基础，所以也要重视。

(一) 线性常系数差分方程的简单了解

$$y(k+n)+a_{n-1}y(k+n-1)+...+a_{0}y(k)=u(k)$$
这就是一个普通的n阶差分方程
判断差分方程的具体分类:

1. n阶是指函数y(x)中参数的最大差为n，所以是n阶差分方程。
2. 其中a₀,…,a_n-1为系统参数的函数，当a₀,…,a_n-1为常数时，就是常系数差分方程。
3. 当u(k)$\ne$时，这个差分方程就是非齐次差分方程，当u(k)=0时，这个差分方程就是齐次差分方程。

(二) 线性常系数差分方程解的特点

求解一个n阶齐次差分方程就是在知道y(0),y(1)…,y(n-1)的前提,求出y(n),y(n+1),…当然，最好是求出一般解，即通解。而我们时间序列模型正好就是在知道X_t-1,X_t-2,…,X_t-n的条件下求出X_t，所以ARMA模型完全等价与一个差分方程。
非齐次方程通解的特点:
$$非齐次方程的通解=齐次方程的通解+非齐次方程的特解$$

齐次差分方程的通解(以2阶常系数齐次差分方程为例)

二阶线性常系数非齐次差分方程的一般形式为
$$a{y}_{n+2}+b{y}_{n+1}+c{y}_n=f(n),n=1,2,...$$
其中a,c,b为已知常数，且$c\ne 0,a\ne 0$,f(n为已知函数)，则对应的齐次方程为:
$$a{y}_{n+2}+b{y}_{n+1}+c{y}_n=0$$
设$y_n={\lambda }^n$为齐次方程的特解(其中$\lambda$为非零待定参数，这样设特解只是因为我们需要求特征根和方便计算)，带入齐次方程，有
$$a{\lambda }^2+b\lambda +c=0$$
上式称为齐次(非齐次)差分方程的特征方程，该方程的解称为特征根(特征值)
特征方程的解有以下三种情况:

1. 特征方程有两个不等的实根,即$\Delta =b^2-4ac>0$
   根据求根公式可知，这两个不等的实根为
   $${\lambda }_1,{\lambda }_2=\frac{-b\pm \sqrt{\Delta }}{2a}$$
   从而得到齐次方程的通解:
   $$y(n)=C_1{\lambda }_1^n+C_2{\lambda }_2^n$$
   其中C₁,C₂为任意常数。
   n阶齐次方程的通解:$y_n=C_1{\lambda }_1^n+C_2{\lambda }_2^n+...+C_n{\lambda }_n^n$
2. 特征方程有两个相等的实根,即$\Delta =b^2-4ac=0$
   根据求根公式可知，这两个相等的实根为
   $${\lambda }_1={\lambda }_2=-\frac{b}{2a}$$
   从而得到齐次方程的通解:
   $$y(n)=(C_1+C_{2}n){\lambda }^n$$
   其中C₁,C₂为任意常数。
   n阶齐次方程的通解(前d个特征根相同，后d个特征根不同):$y_n=(C_1+C_{2}t+...+C_d{t}^{d-1}){\lambda }_1^n+C_{d+1}{\lambda }_{d+1}^n+C_{d+2}{\lambda }_{d+2}^n+...+C_n{\lambda }_n^n$
3. 特征方程有两个共轭复根,即$\Delta =b^2-4ac<0$
   根据求根公式可知，这两个不等的实根为
   $${\lambda }_1,{\lambda }_2=\frac{-b\pm i\sqrt{-\Delta }}{2a}$$
   从而得到齐次方程的通解:
   $$y(n)=r^n(C_{1}cos\beta n+C_{2}sin\beta n)$$
   其中C₁,C₂为任意常数。
   $$r=\sqrt{(-\frac{b}{2a}{)}^2+(\frac{\sqrt{-\Delta }}{2a}{)}^2}=\sqrt{c},tan\beta =-\frac{1}{b}\sqrt{4ac-b_2},\beta \in (0,\pi )$$
   其中r为复特征根的模，$\beta$为复特征的辐角 当$a=0时，\beta =\frac{\pi }{2}$

• 差分方程有实根时，一般先用配方法求解特征根，无法配方时，再用求根公式
• **当求出方程的两个特征值之后，还要判断y(n)₁与y(n)₂之间是否存在线性关系(因为当初设的是y(n)=${\lambda }^n$为齐次方程的特解)，若$\frac{y(n{)}_1}{y(n{)}_2}\ne 常数$则说明y(n)₁与y(n)₂线性无关

4.1.2 AR(1)系统的格林函数

(一) 传递形式及格林函数的介绍

格林函数:描述系统记忆扰动的程度的函数
传递形式:就是把X_t表示成既往扰动a_t-j($j⩾0$)的加权和形式:
$$X_t=\sum _{j=0}^{\infty }{G}_j{a}_{t-j}$$
其中G_j就是格林函数，也称传递函数或记忆函数。也就是等价传递形式中既往扰动a_t-j的权重，j=0,1,2,…

(二) MA(q)模型的格林函数

MA(q)模型如下:
$$X_t=a_t-{\theta }_1{a}_{t-1}-{\theta }_2{a}_{t-2}-...-{\theta }_q{a}_{t-q}$$
在MA(q)模型中，X_t已经被表示成既往扰动a_t-j的加权和形式，所以可以知道MA(q)模型的格林函数，如下所示:
$$G_0=1$$
$$G_1=-{\theta }_1$$
$$G_2=-{\theta }_2$$
$$...$$
$$G_q=-{\theta }_q$$
$$G_j=0(j>q)$$

(三) AR(1)模型的格林函数

对于AR(1)系统我们利用逐期代替的思想求解格林函数
我们知道AR(1)模型为
$$X_t={\phi }_1{X}_{t-1}+a_t$$
由AR(1)模型的假设我们可以知道，AR(1)模型具有一阶记忆性，即当期的值只与其前一期的值有关。
当t=t-1时，有$X_{t-1}={\phi }_1{X}_{t-2}+a_{t-1}$
带入AR(1)模型，则有
$$X_t={\phi }_1({\phi }_1{X}_{t-2}+a_{t-1})+a_t⟹X_t={\phi }_1^2{X}_{t-2}+{\phi }_1{a}_{t-1}+a_t(1)$$
当t=t-2时，有$X_{t-2}={\phi }_1{X}_{t-3}+a_{t-2}$
带入1式，则有
$$X_t={\phi }_1^2({\phi }_1{X}_{t-3}+a_{t-2})+{\phi }_1{a}_{t-1}+a_t⟹X_t={\phi }_1^3{X}_{t-3}+{\phi }_1^2{a}_{t-2}+{\phi }_1{a}_{t-1}+a_t(2)$$
当t=t-3时，有$X_{t-3}={\phi }_1{X}_{t-4}+a_{t-3}$
依次递推，则可以得到
$$X_t=...+{\phi }_1^p{a}_{t-p}+...+{\phi }_1^2{a}_{t-2}+{\phi }_1{a}_{t-1}+a_t$$
将上式转变为等价传递形式，则有
X