文章目录
1.概述
1.1 定义
具有如下结构的模型称为q阶移动平均模型,简记为
M
A
(
q
)
MA(q)
MA(q):
{
x
t
=
μ
+
ϵ
t
−
θ
1
ϵ
t
−
1
−
θ
2
ϵ
t
−
2
−
.
.
.
−
θ
q
ϵ
t
−
q
(
注意此处定义为“
−
”号,也可定义为“
+
”号
)
θ
q
≠
0
E
(
ϵ
t
)
=
0
,
V
a
r
(
ϵ
t
)
=
σ
2
,
E
(
ϵ
t
ϵ
s
)
=
0
,
s
≠
t
\begin{cases} x_t=\mu+\epsilon_t-\theta_{1}\epsilon_{t-1}-\theta_{2}\epsilon_{t-2}-...-\theta_{q}\epsilon_{t-q}(注意此处定义为“-”号,也可定义为“+”号)\\ \theta_q \not= 0\\ E(\epsilon_{t})=0,Var(\epsilon_t)=\sigma^2,E(\epsilon_t\epsilon_s)=0,s\not=t \end{cases}
⎩
⎨
⎧xt=μ+ϵt−θ1ϵt−1−θ2ϵt−2−...−θqϵt−q(注意此处定义为“−”号,也可定义为“+”号)θq=0E(ϵt)=0,Var(ϵt)=σ2,E(ϵtϵs)=0,s=t
1.2 限制条件
使用
M
A
(
q
)
MA(q)
MA(q)模型须满足两个限制条件:
①
θ
q
≠
0
\theta_q\not=0
θq=0,保证
M
A
(
q
)
MA(q)
MA(q)最高阶数为q
②
(
ϵ
t
)
=
0
,
V
a
r
(
ϵ
t
)
=
σ
2
,
E
(
ϵ
t
ϵ
s
)
=
0
,
s
≠
t
(\epsilon_{t})=0,Var(\epsilon_t)=\sigma^2,E(\epsilon_t\epsilon_s)=0,s\not=t
(ϵt)=0,Var(ϵt)=σ2,E(ϵtϵs)=0,s=t。保证随机扰动项
{
ϵ
t
}
\{\epsilon_t\}
{ϵt}为零均值白噪声序列。
1.3 中心化 M A ( q ) MA(q) MA(q)模型
与 A R ( p ) AR(p) AR(p)模型类似,非中心化的 M A ( q ) MA(q) MA(q)模型可以转化为中心化 M A ( q ) MA(q) MA(q)模型,具体过程与 A R ( p ) AR(p) AR(p)模型转化过程相同,此处不再赘述。
1.4 简记
通过使用延迟算子,我们可以把
M
A
(
q
)
MA(q)
MA(q)模型简记为:
x
t
=
Θ
(
B
)
ϵ
t
x_t=\Theta(B)\epsilon_t
xt=Θ(B)ϵt
其中
Θ
(
B
)
=
1
−
θ
1
B
−
θ
2
B
2
−
.
.
.
θ
q
B
q
\Theta(B)=1-\theta_1B-\theta_2B^2-...\theta_qB^q
Θ(B)=1−θ1B−θ2B2−...θqBq
2. 统计性质
2.1 常数均值
当
q
<
∞
q< \infty
q<∞时,
M
A
(
q
)
MA(q)
MA(q)模型具有常数均值:
E
(
x
t
)
=
E
(
μ
+
ϵ
t
−
θ
1
ϵ
t
−
1
−
θ
2
ϵ
t
−
2
−
.
.
.
−
θ
q
ϵ
t
−
q
)
=
μ
E(x_t)=E(\mu+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_2\epsilon_{t-2}-...-\theta_q\epsilon_{t-q})=\mu
E(xt)=E(μ+ϵt−θ1ϵt−1−θ2ϵt−2−...−θqϵt−q)=μ
2.2 常数方差
V a r ( x t ) = V a r ( μ + ϵ t − θ 1 ϵ t − 1 − θ 2 ϵ t − 2 − . . . − θ q ϵ t − q ) = ( 1 + θ 1 2 + θ 2 2 + . . . + θ q 2 ) σ ϵ 2 Var(x_t)=Var(\mu+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_2\epsilon_{t-2}-...-\theta_q\epsilon_{t-q})=(1+\theta_1^2+\theta_2^2+...+\theta_q^2)\sigma_{\epsilon}^2 Var(xt)=Var(μ+ϵt−θ1ϵt−1−θ2ϵt−2−...−θqϵt−q)=(1+θ12+θ22+...+θq2)σϵ2
2.3 自协方差函数
γ
k
=
E
(
x
t
x
t
−
k
)
=
E
[
(
μ
+
ϵ
t
−
θ
1
ϵ
t
−
1
−
θ
2
ϵ
t
−
2
−
.
.
.
−
θ
q
ϵ
t
−
q
)
(
μ
+
ϵ
t
−
k
−
θ
1
ϵ
t
−
k
−
1
−
θ
2
ϵ
t
−
k
−
2
−
.
.
.
−
θ
q
ϵ
t
−
k
−
q
)
]
\gamma_k=E(x_tx_{t-k})=E[(\mu+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_2\epsilon_{t-2}-...-\theta_q\epsilon_{t-q})(\mu+\epsilon_{t-k}-\theta_1\epsilon_{t-k-1}-\theta_2\epsilon_{t-k-2}-...-\theta_q\epsilon_{t-k-q})]
γk=E(xtxt−k)=E[(μ+ϵt−θ1ϵt−1−θ2ϵt−2−...−θqϵt−q)(μ+ϵt−k−θ1ϵt−k−1−θ2ϵt−k−2−...−θqϵt−k−q)]
由于
E
(
x
t
x
s
)
=
0
,
t
≠
s
E(x_tx_s)=0,t \not= s
E(xtxs)=0,t=s,所以可得到自协方差函数为:
γ
k
=
{
(
1
+
θ
1
2
+
θ
2
2
+
.
.
.
+
θ
q
2
)
σ
ϵ
2
,
k
=
0
(
−
θ
k
+
∑
i
=
1
q
−
k
θ
i
θ
k
+
i
)
σ
ϵ
2
,
1
≤
k
≤
q
0
,
k
>
q
\gamma_k= \begin{cases} (1+\theta_1^2+\theta_2^2+...+\theta_q^2)\sigma_{\epsilon}^2\text ,k=0\\ (-\theta_k+\sum_{i=1}^{q-k}\theta_i\theta_{k+i})\sigma_{\epsilon}^2 \text ,1 \leq k \leq q\\ 0 \text,k>q \end{cases}
γk=⎩
⎨
⎧(1+θ12+θ22+...+θq2)σϵ2,k=0(−θk+∑i=1q−kθiθk+i)σϵ2,1≤k≤q0,k>q
从上式中我们可以得出,
M
A
(
q
)
MA(q)
MA(q)模型的自协方差函数q阶截尾。
2.4 自相关系数
ρ
k
=
γ
k
γ
0
\rho_k=\frac{\gamma_k}{\gamma_0}
ρk=γ0γk
=
{
1
,
k
=
0
(
−
θ
k
+
∑
i
=
1
q
−
k
θ
i
θ
k
+
i
)
σ
ϵ
2
1
+
θ
1
2
+
θ
2
2
+
.
.
.
+
θ
q
2
)
σ
ϵ
2
,
1
≤
k
≤
q
0
,
k
>
q
=\begin{cases} 1 ,k=0\\ \frac {(-\theta_k+\sum_{i=1}^{q-k}\theta_i\theta_{k+i})\sigma_{\epsilon}^2}{1+\theta_1^2+\theta_2^2+...+\theta_q^2)\sigma_{\epsilon}^2} \text ,1 \leq k \leq q\\ 0 \text,k>q \end{cases}
=⎩
⎨
⎧1,k=01+θ12+θ22+...+θq2)σϵ2(−θk+∑i=1q−kθiθk+i)σϵ2,1≤k≤q0,k>q
同样可以得出,
M
A
(
q
)
MA(q)
MA(q)模型的自相关系数q阶截尾。
3.可逆性
为什么要提出可逆性?这是因为当我们给定一个自相关系数时,对应着这个自相关系数的
M
A
MA
MA模型不止有一个。为了保证一个给定的自相关系数只对应一个
M
A
MA
MA模型,提出了可逆性这个概念。
例如:对于以下两个
M
A
(
1
)
MA(1)
MA(1)模型:
模型一:
x
t
=
ϵ
t
−
θ
ϵ
t
−
1
x_t=\epsilon_t-\theta\epsilon_{t-1}
xt=ϵt−θϵt−1 模型2:
x
t
=
ϵ
t
−
1
θ
ϵ
t
−
1
x_t=\epsilon_t-\frac{1}{\theta}\epsilon_{t-1}
xt=ϵt−θ1ϵt−1
通过2.4自相关系数计算公式可得模型一的自相关系数为:
ρ
k
=
{
1
,
k
=
0
−
θ
1
1
+
θ
1
2
,
k
=
1
0
,
k
>
1
\rho_k=\begin{cases} 1,k=0\\ \frac{-\theta_1}{1+\theta_1^2},k=1\\ 0,k>1\\ \end{cases}
ρk=⎩
⎨
⎧1,k=01+θ12−θ1,k=10,k>1
模型二的自相关系数为:
ρ
k
=
{
1
,
k
=
0
−
1
θ
1
1
+
1
θ
1
2
=
−
θ
1
1
+
θ
1
2
,
k
=
1
0
,
k
>
1
\rho_k=\begin{cases} 1,k=0\\ \frac{-\frac{1}{\theta_1}}{1+\frac{1}{\theta_1^2}}=\frac{-\theta_1}{1+\theta_1^2},k=1\\ 0,k>1\\ \end{cases}
ρk=⎩
⎨
⎧1,k=01+θ121−θ11=1+θ12−θ1,k=10,k>1
可以看出两个
M
A
(
1
)
MA(1)
MA(1)模型都有相同的自相关系数,也就是给定了自相关系数时,我们可以得出两个不同的MA模型。
3.1 可逆性的定义
若一个MA模型能够表示成收敛的AR模型的形式,那么该MA模型是可逆的。
3.2 MA(q)的可逆性条件
MA(q)模型可表示为:
ϵ
t
=
x
t
Θ
(
B
)
\epsilon_t=\frac{x_t}{\Theta(B)}
ϵt=Θ(B)xt
其中
Θ
(
B
)
=
1
−
θ
1
B
−
.
.
.
−
θ
q
B
q
\Theta(B)=1-\theta_1B-...-\theta_qB^q
Θ(B)=1−θ1B−...−θqBq为移动平均系数多项式。假定
1
λ
1
,
1
λ
2
,
.
.
.
,
1
λ
q
\frac{1}{\lambda_1},\frac{1}{\lambda_2},...,\frac{1}{\lambda_q}
λ11,λ21,...,λq1是多项式的解,则
Θ
(
B
)
\Theta(B)
Θ(B)可写为
Θ
(
B
)
=
∏
i
=
1
q
(
1
−
λ
i
B
)
\Theta(B)=\prod_{i=1}^q(1-\lambda_iB)
Θ(B)=i=1∏q(1−λiB)
所以
M
A
(
q
)
MA(q)
MA(q)可写为:
ϵ
t
=
x
t
∏
i
=
1
q
(
1
−
λ
i
B
)
\epsilon_t=\frac{x_t}{\prod_{i=1}^q(1-\lambda_iB)}
ϵt=∏i=1q(1−λiB)xt
上式收敛的条件是
∣
λ
i
∣
<
1
|\lambda_i|<1
∣λi∣<1,即多项式的根都在单位圆外,
∣
1
λ
i
∣
>
1
|\frac{1}{\lambda_i}|>1
∣λi1∣>1,这个条件就被称为MA(q)模型的可逆性条件。
3.3 逆函数递推公式
如
M
A
(
q
)
MA(q)
MA(q)模型满足可逆性条件,则其可以写成以下两种形式:
{
Θ
(
B
)
ϵ
t
=
x
t
ϵ
t
=
I
(
B
)
x
t
\begin{cases} \Theta(B)\epsilon_t=x_t\\ \epsilon_t=I(B)x_t\\ \end{cases}
{Θ(B)ϵt=xtϵt=I(B)xt
上式可转化为:
I
(
B
)
Θ
(
B
)
x
t
=
x
t
I(B)\Theta(B)x_t=x_t
I(B)Θ(B)xt=xt
展开可得
(
1
+
∑
j
=
0
n
I
j
B
j
)
(
1
−
∑
k
=
0
q
θ
k
B
k
)
x
t
=
x
t
(1+\sum_{j=0}^nI_jB^j)(1-\sum_{k=0}^q\theta_kB^k)x_t=x_t
(1+j=0∑nIjBj)(1−k=0∑qθkBk)xt=xt
由待定系数法可得逆函数递推公式为:
{
I
0
=
1
I
j
=
∑
k
=
1
j
θ
k
′
I
j
−
k
,
j
≥
1
\begin{cases} I_0=1\\ I_j=\sum_{k=1}^j\theta_k^{'}I_{j-k},j \geq 1 \end{cases}
{I0=1Ij=∑k=1jθk′Ij−k,j≥1
其中
θ
k
′
=
{
0
,
k
>
q
θ
k
,
k
≤
q
\theta_k^{'}= \begin{cases} 0,k > q\\ \theta_k,k \leq q\\ \end{cases}
θk′={0,k>qθk,k≤q
4.偏自相关系数拖尾性
从第三节我们可以得出,一个可逆的
M
A
(
q
)
MA(q)
MA(q)模型可以表达为一个
A
R
(
∞
)
AR(\infty)
AR(∞)的形式,而
A
R
(
p
)
AR(p)
AR(p)模型具有自相关系数p阶截尾的性质,所以可逆
M
A
(
q
)
MA(q)
MA(q)具有偏自相关系数拖尾性。
一个可逆的
M
A
MA
MA模型也会对应一个与之有相同自相关系数的不可逆
M
A
MA
MA模型,由于其自相关系数是一样的,所以这个不可逆的
M
A
MA
MA模型也具有偏自相关系数拖尾性。