专题1_最大似然估计与预测

本文详细介绍了AR(1)模型的方差计算方法,通过Green函数阐述了其计算过程,展示了从AR(p)模型到Green函数的转换,并给出了特征根和系数的关系,为理解时间序列分析中的方差计算提供了清晰的理论基础。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

思路:

问题1:如何计算模型的方差(以AR(1)模型为例)
yt=ϕ1yt−1+εty_{t}=\phi _{1}y_{t-1}+\varepsilon _{t}yt=ϕ1yt1+εt
则Green函数为
Gj=ϕ1j,j=0,1,...G_{j}=\phi_1^j,j=0,1,...Gj=ϕ1j,j=0,1,...
故AR(1)模型的方差为
Var(yt)=∑j=0∞Gj2Var(εt−j)=∑j=0∞(ϕ1j)2σϵ2)=σϵ21−ϕ1jVar(y_{t})=\sum_{j=0}^{\infty }G_{j}^2Var(\varepsilon _{t-j})=\sum_{j=0}^{\infty }(\phi_1^j)^2\sigma_\epsilon ^{2})=\frac{\sigma_\epsilon ^{2}}{1-\phi_1^j}Var(yt)=j=0Gj2Var(εtj)=j=0(ϕ1j)2σϵ2)=1ϕ1jσϵ2


注:
AR(p)模型
yt=ϕ1yt−1+ϕ2yt−2+...+ϕpyt−p+εty_{t}=\phi _{1}y_{t-1}+\phi _{2}y_{t-2}+...+\phi _{p}y_{t-p}+\varepsilon _{t}yt=ϕ1yt1+ϕ2yt2+...+ϕpytp+εt
用滞后算子可表示为:
ϕ(B)yt=εt\phi(B)y_{t}=\varepsilon _{t}ϕ(B)yt=εt
其中ϕ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp\phi(B)=1-\phi _{1}B-\phi _{2}B^{2}-...-\phi _{p}B^{p}ϕ(B)=1ϕ1Bϕ2B2...ϕpBp
有因式分解可知,ϕ(B)=∏i=1p(1−λiB)\phi(B)=\prod_{i=1}^{p}(1-\lambda _{i}B)ϕ(B)=i=1p(1λiB)
所以,yt=εt∏i=1p(1−λiB)=∑i=1pεtki1−λiBy_{t}=\frac{\varepsilon _{t}}{\prod_{i=1}^{p}(1-\lambda _{i}B)}=\sum_{i=1}^{p}\frac{\varepsilon _{t}k_{i}}{1-\lambda _{i}B }yt=i=1p(1λiB)εt=i=1p1λiBεtki
式中,ki(i=1,2,3,4,...,p)为常数k_{i}(i=1,2,3,4,...,p)为常数ki(i=1,2,3,4,...,p)为常数

这里需要引入Green函数的定义
λ1,λ2,λ3...λp\lambda _{1},\lambda _{2},\lambda _{3}...\lambda _{p}λ1,λ2,λ3...λp为平稳AR(p)模型的特征根,则平稳AR(p)模型可以写成:
yt=εtϕ(B)=∑i=1pεtki1−λiB=∑i=1p∑j=0∞ki(λiB)jεt=∑j=0∞∑i=1pkiλijBjεt=∑j=0∞∑i=1pkiλijεt−j=∑j=0∞Gjεt−jy_{t}=\frac{\varepsilon _{t}}{\phi (B)}=\sum_{i=1}^{p}\frac{\varepsilon _{t}k_{i}}{1-\lambda _{i}B }=\sum_{i=1}^{p}\sum_{j=0}^{\infty }k_{i}(\lambda _{i}B)^{j}\varepsilon _{t}=\sum_{j=0}^{\infty }\sum_{i=1}^{p}k_{i}\lambda _{i}^{j}B^{j}\varepsilon _{t}=\sum_{j=0}^{\infty }\sum_{i=1}^{p}k_{i}\lambda _{i}^{j}\varepsilon _{t-j}=\sum_{j=0}^{\infty }G_{j}\varepsilon _{t-j}yt=ϕ(B)εt=i=1p1λiBεtki=i=1pj=0ki(λiB)jεt=j=0i=1pkiλijBjεt=j=0i=1pkiλijεtj=j=0Gjεtj
式中,G0=1,Gj=∑i=1pkiλij(j=1,2....)G_{0}=1,G_{j}=\sum_{i=1}^{p}k_{i}\lambda _{i}^{j}(j=1,2....)G0=1,Gj=i=1pkiλij(j=1,2....)

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值