第三章 线性平稳时间序列分析(上海财经大学统计学系 )

上海财经大学统计学系1线性平稳时间序列分析•在时间序列的统计分析中，平稳序列是一类重要的随机序列。在这方面已经有了比较成熟的理论知识，最常用的是ARMA（AutoregressiveMovingAverage）序列。用ARMA模型去近似地描述动态数据在实际应用中有许多优点，例如它是线性模型，只要给出少量参数就可完全确定模型形式；另外，便于分析数据的结构和内在性质，也便于在最小方差意义下进行最佳预测和控制。本章将讨论ARMA模型的基本性质和特征，这是时间序列统计分析中的重要理论基础。上海财经大学统计学系2§3.1线性过程•在正式讨论线性过程之前，我们首先给出相应的准备工具，介绍延迟算子和求解线性差分方程，这些工具会使得时间序列模型表达和分析更为简洁和方便，下面是延迟算子的概念。•设为一步延迟算子，如果当前序列乘以一个延迟算子，就表示把当前序列值的时间向过去拨一个时刻，即。B1ttXBX上海财经大学统计学系3•延迟算子有如下性质：B上海财经大学统计学系4•定义如下形式方程为序列的线性差分方程：其中，为实数，为的已知函数。•特别地，当函数时，差分方程：称为齐次线性差分方程。否则，线性差分方程称为非齐次线性差分方程。{:0,1,2,}tzt11ttptpzzzht1p1,,phttt0ht110ttptpzzz上海财经大学统计学系5下列方程：称为齐次线性差分方程的特征方程。这是一个一元p次线性方程，它至少存在p个非零根，称这p个非零根为特征根，记为。根据特征根的情况，齐次线性差分方程解的解有如下情形：110ppp12,,,p12,,,p上海财经大学统计学系6•特征根为互不相同的实根这时齐次线性差分方程的解为•特征根中有相同实根这时齐次线性差分方程的解为•特征根中有复根这时齐次线性差分方程的解为12,,,p12,,,p12,,,p11tttppzcc2112111dttttdddppzcctctcc111233tttpptititttppzccrcececc上海财经大学统计学系7•对于非齐次线性差分方程解的问题，通常分下下列两个步骤进行：首先求出对应齐次线性差分方程的通解，然后再求出该非齐次线性差分方程的一个特解，即满足：•则非齐次线性差分方程的解为对应齐次线性差分方程的解和该非齐次线性差分方程的一个特解之和，即tztztz11ttptpzzzht11ttptpzzzhttztztttzzz上海财经大学统计学系83.1.1线性过程的定义上海财经大学统计学系9•定理3.1定义（3.1）中的线性过程是平稳序列，且是均方收敛的。jtjjG上海财经大学统计学系10•下面证明序列是平稳的，容易计算},{ZtXt0tjtjjEXGEkttkXEXjtjltkljlEGG2jjkjGG上海财经大学统计学系11上海财经大学统计学系123.1.2线性过程的因果性和可逆性•在应用时间序列分析去解决实际问题时，所使用的线性过程是因果性的，即：上海财经大学统计学系13•设为一步延迟算子，则，，(3.4)可表为：其中，，今后将把看作对进行运算的算子，又可作为的函数来讨论。BjttjXXB0j0)(jjjBGBG)(BGtB上海财经大学统计学系14在理论研究和实际问题的处理时，通常还需要用t时刻及t时刻以前的来表示白噪声，即),1,0(jXjtt上海财经大学统计学系15上海财经大学统计学系16上海财经大学统计学系17§3.2自回归过程AR(p)•上节中所讨论的线性过程及其逆转形式都是无穷和的形式，当用有限和去逼近时即产生有限参数线性模型，而且许多平稳序列本身就是由有限参数线性模型刻画的。有限参数线性模型是时间序列分析中理论最基础、应用最广泛的部分。如下将讨论AR、MA和ARMA三种有限参数线性模型。上海财经大学统计学系183.2.1一阶自回归过程AR(1)•通常地，由于经济系统惯性的作用，经济时间序列往往存在着前后依存关系。最简单的一种情形就是变量当前的取值主要与其前一时期的取值状况有关，用数学模型来描述这种关系就是下面介绍的一阶自回归模型。上海财经大学统计学系19上海财经大学统计学系20在一阶自回归AR(1)模型中，保持其平稳性的条件是对应的特征方程的根的绝对值必须小于1，即满足。对于平稳的AR(1)模型，经过简单的计算易得01上海财经大学统计学系21上海财经大学统计学系223.2.2二阶自回归过程AR(2)•当变量当前的取值主要与其前两时期的取值状况有关，用数学模型来描述这种关系就是如下的二阶自回归模型AR(2)：•引入延迟算子的表达形式为：B上海财经大学统计学系23上海财经大学统计学系24•下面利用特征方程的根与模型参数的关系，给出AR(2)模型平稳的的取值条件（或值域）。12,12,12(1)(1)0上海财经大学统计学系25•(3.16)和(3.17)式是保证AR(2)模型平稳，回归参数所应具有的条件。反之，若(3.16)和(3.17)式成立，则特征方程特征方程的根必落在单位圆内。12,2120上海财经大学统计学系26•满足条件(3.16)和(3.17)式给出的区域称为平稳域。对于AR(2)模型平稳域是一个三角形区域，见下图阴影部分。12212,1,1上海财经大学统计学系27上海财经大学统计学系28上海财经大学统计学系29•例3.2设AR(2)模型：试判别的平稳性。解：根据上述关于平稳条件的讨论，可以通过两种径进行讨论：120.70.1ttttXXXtX上海财经大学统计学系30上海财经大学统计学系31•下面我们讨论序列的统计特性，关于平稳的二阶自回归模型AR(2)模型：上海财经大学统计学系323.2.3p阶自回归过程AR(p)模型上海财经大学统计学系33上海财经大学统计学系34•首先，求对应齐次差分方程的通解。假定其对应特征方程的p个特征根为，根据前面的讨论，一般地，这p个特征根可能有如下情形：()0tBXtX110ppp12,,,p上海财经大学统计学系35上海财经大学统计学系36•再求非齐次差分方程的一个特解。()ttBXtX上海财经大学统计学系37•由此，自回归系数多项式可以写为因此，我们可以得到非齐次差分方程的一个特解部分分式展开得到其中为任意实数。1()1pjjBB()ttBX111()1tttpjjXBB11111pjtttpjjjjkXBB1,,pkk上海财经大学统计学系38上海财经大学统计学系39§3.3移动平均过程MA(q)•3.3.1一阶移动平均过程MA(1)上海财经大学统计学系40•图3.2为一个零均值的MA(1)序列200个模拟数据。上海财经大学统计学系41上海财经大学统计学系42•类似于自回归模型的平稳性讨论，与移动平均过程相联系的一个重要概念是可逆性。对于零均值的MA(1)序列1tttX上海财经大学统计学系43上海财经大学统计学系443.3.2q阶移动平均过程MA(q)上海财经大学统计学系45上海财经大学统计学系46§3.4自回归移动平均过程ARMA(p,q)•3.4.1ARMA(p,q)过程的平稳域和可逆域上海财经大学统计学系47上海财经大学统计学系48上海财经大学统计学系49上海财经大学统计学系50例3.4求ARMA(1,1)的平稳域和可逆域。上海财经大学统计学系51上海财经大学统计学系52•例3.5求MA(2)的可逆域。上海财经大学统计学系53上海财经大学统计学系54上海财经大学统计学系55上海财经大学统计学系563.4.2模型的因果性和格(Green)函数上海财经大学统计学系57对于零均值的模型，则ARMA(p,q)模型可表示为：由部分分式展开，可表为比较两边B的同次幂系数，得到：()()ttBXB)(BG10()()()jjjGBBBGB上海财经大学统计学系58上海财经大学统计学系59•可以得到的递推公式：}{jG*1*1,1,lljljjlljljjGlqGGjq上海财经大学统计学系60上海财经大学统计学系61上海财经大学统计学系62•例3.7求ARMA(2,1)模型的格林函数。上海财经大学统计学系63上海财经大学统计学系64上海财经大学统计学系65上海财经大学统计学系663.4.3模型的逆转形式和逆函数上海财经大学统计学系67上海财经大学统计学系68上海财经大学统计学系69•例3.10求ARMA(2,1)模型的逆函数。上海财经大学统计学系70上海财经大学统计学系71上海财经大学统计学系72上海财经大学统计学系73上海财经大学统计学系74§3.5自相关系数与偏相关系数•3.5.1自相关系数及其特征上海财经大学统计学系75上海财经大学统计学系76上海财经大学统计学系77上海财经大学统计学系78上海财经大学统计学系79上海财经大学统计学系80上海财经大学统计学系81上海财经大学统计学系82上海财经大学统计学系83上海财经大学统计学系84上海财经大学统计学系85上海财经大学统计学系86上海财经大学统计学系87上海财经大学统计学系88•3.5.2偏自相关系数及其特征在对前面平稳时间序列的分析中，我们看到对于MA(q)过程，其自相关系数具有q阶截尾性，由此我们可以通过计算序列的自相关系数大致判断出模型的阶数。但是，对于平稳的自回归模型AR(p)来说，由于自相关系数不具有截尾性，因此我们无法利用序列的自相关系数来判断模型的阶数，我们希望找到一种类似地系数，使得对自回归模型AR(p)来说也具有截尾性。上海财经大学统计学系89上海财经大学统计学系90•1.偏自相关系数的定义上海财经大学统计学系91上海财经大学统计学系92上海财经大学统计学系93•2.偏自相关函数的递推算法上海财经大学统计学系94上海财经大学统计学系95上海财经大学统计学系96•定理3.4设为平稳序列，则它的偏相关函数满足如下递推公式：其中，是的自相关系数。}{tX}{kk}{j}{tX上海财经大学统计学系97•例3.11求AR(1)序列的偏自相关系数。解：对，计算可以得到11tttXX1121211111122111111,0111111112121123213111332121111112211111110,111111上海财经大学统计学系98因此有即对于，，故对于AR(1)序列，偏自相关系数是一步截尾的。1,10,1kkkk1k0kk上海财经大学统计学系99•例3.12求AR(2)序列的偏自相关系数。解：对，计算可以得到1122ttttXXX11112122211221212222122221111222221222211111111111上海财经大学统计学系100上海财经大学统计学系101•定理3.5零均值平稳序列为AR(p)序列的充分必要条件是的偏自相关系数p步截尾。证明：（只证必要性，充分性的证明见项静恬，杜金观，史久恩(1986)）将AR(p)模型方程代入(3.65)式，且令，得}{tX}{tX1ptjtjtjXXpk上海财经大学统计学系102上海财经大学统计学系103•定理3.6设