Upload
others
View
8
Download
0
Embed Size (px)
Citation preview
ЛЕКЦИЯ 18
ВРЕМЕННЫЕ РЯДЫ
1. Белый шум; процесс случайного блуждания
2. Автокорреляционная функция, частная АКФ
3. Проверка на стационарность
4. Тренд, сезонность, взятие разности
В конце прошлой лекции мы дали определение строгой
стационарности. Повторим его еще раз:
Ряд tY называется строго стационарным (стационарным в
узком смысле, strictly stationary), если совместное
распределение вероятностей m наблюдений mttt YYY ...,,,21
такое же, как и для m наблюдений mttt YYY ...,,,21 для
любых значений mttm ,...,,, 1
Однако на практике добиться выполнения условия строгой
стационарности сложно. Введем понятие слабой
стационарности.
Временной ряд tY называется слабо стационарным (
стационарным в широком смысле, weak stationary), если его
теоретические математическое ожидание и дисперсия не
зависят от времени, и если теоретическая ковариация между
его значениями в моменты времени t и t+s зависят только от
s, но не от t.
tt
tttt
YYE
YYCovYVarYE ,,,, 0
Величина называется автоковариацией.
Совокупность значений в зависимости от τ называется
автоковариационной функцией.
При τ=0 получаем дисперсию временного ряда 0tYVar
Автокорреляционная функция (autocorrelation function,
ACF):
0
,
t
tt
YVar
YYCov
1,10
ACF играет важную роль в идентификации временных
рядов.
Из строгой стационарности следует слабая
стационарность, но не наоборот.
В дальнейшем, говоря о стационарности, будем иметь ввиду
слабую стационарность.
Приведем некоторые примеры стационарных временных
рядов.
«Белый шум» (white noise):
Это чисто случайный процесс, т.е. ряд независимых
одинаково распределенных случайных величин с нулевым
математическим ожиданием и постоянной дисперсией:
ntiidY ttt ,...,1,,0~, 2
Таким образом, для белого шума
00,,0 2
0
Процесс авторегрессии первого порядка AR(1)
1,,...,1,,0~, 2
1 ntiidYmY tttt
При заданном ограничении на параметр 1
можно
показать, что
,...2,1,
,1
,1
,1
2
22
2
22
0
y
y
m
Влияние возмущений затухает со временем:
0...2
2
1 mприY tttt
На рисунке изображен процесс
50,...,1,,0~,5,0 2
1 tiidYY tttt
Рассмотрим теперь пример нестационарного процесса,
имеющий важное прикладное значение: процесс случайного
блуждания (random walk)
Этот процесс задается как
ntiidYY tttt ,...,1,,0~, 2
1
По виду процесс случайного блуждания похож на процесс
AR(1) с 1 , но отличается от стационарного процесса по
своим свойствам: влияние возмущения t не затухает со
временем: ...1 tttY
Кроме того, дисперсия такого процесса не сохраняется
постоянной:
1
2
11
11
;
;0
tt
tttt
tttt
YVarYVar
YVarVarYVarYVar
YEEYEYE
Приведенный вывод показывает, что случайное блуждание
нестационарно.
Сгенерируем в качестве примера процесс случайного
блуждания следующим образом:
50,...,1,4;0~,1 tNYY tttt
tY равномерно распределены между 0 и 1
Случайное блуждание с дрейфом:
дрейфапараметр
ntNYY tttt
,,...,1,;0~, 2
1
Проверка на стационарность
Графический анализ временного ряда
На графике, возможно, явно будет виден тренд или
сезонность. Разброс значений со временем может либо
нарастать, либо убывать (это наводит на мысль о
непостоянстве среднего и дисперсии).
Логарифм DPI (располагаемого дохода на душу населения)
Построение и анализа графика выборочной
автокорреляционной функции (коррелограммы).
Коррелограмма стационарного ряда достаточно быстро
затухает с ростом τ. Если же коррелограмма убывает
медленно, есть основания предполагать нестационарность.
Коррелограмма для логарифма DPI
Коррелограмма для процесса AR(1)
Коррелограмма для процесса случайного блуждания
Выборочная автокорреляционная функция определяется
формулой:
n
t
t
n
kt
ktt
YY
YYYY
r
1
2
1ˆ
Анализ частной автокорреляционной функции (partial
autocorrelation function, PACF)
PACF (τ) показывает «чистую» корреляцию между tY и
tY уровнями временного ряда при исключении влияния
промежуточных значений.
В качестве примера посмотрим, как ведут себя ACF и PACF
для различных ситуаций (модельные примеры):
При наличии тренда
Случайное блуждание
Наличие сезонности (пример с числами Вольфа)
Наличие тренда и сезонности (пример с объемом
авиаперевозок)
Использование формальных тестов
Статистика Бокса-Пирса для тестирования на белый
шум;
Тест Дики-Фуллера (Dickey, Fuller, 1976) на наличие
единичного корня;
Критерии, позволяющие установить стационарный
характер временного ряда (критерий серий, основанный
на медиане, критерий восходящих и нисходящих серий,
критерий Аббе)
Пока рассмотрим статистику Бокса-Пирса (Box, Pierce,
1970):
Нулевая гипотеза заключается в том, что рассматриваемый
процесс является белым шумом.
Строится статистика
p
rTQ1
2
Эта статистика имеет хи-квадрат распределения с р
степенями свободы. Если наблюдаемое значение статистик
превосходит критическую точку хи-квадрат распределения,
нулевая гипотеза отвергается.
Тренд:
tt tY
Линейная составляющая плюс случайная составляющая,
которая является стационарным временным рядом с
нулевым средним.
Кроме линейного встречаются также: квадратичный,
экспоненциальный и т.д. тренды.
Для оценки параметров тренда используем МНК.
Затем для ряда остатков применяем процедуры
стационарных временных рядов.
Сезонность:
tt tSY
Например, если есть сезонная компонента с периодом 12,
имеем: tStS 12
Сезонная составляющая плюс случайная составляющая,
которая является стационарным временным рядом с
нулевым средним.
Сезонную компоненты можно представить через бинарные
(dummy) переменные. Для месячной сезонности:
ttt dddtS 12122211 ...
Часто модель сезонности представляют как модель с
ограничениями:
0,... 12122211 ittttt dddY
Взятие последовательной разности:
Часто, если к нестационарному ряду применить процедуру
взятия разности, можно получить стационарный временной
ряд.
Рассмотрим на примере случайного блуждания:
ntiidYY tttt ,...,1,,0~, 2
1
Возьмем разность:
ntiidYYY ttttt ,...,1,,0~, 2
1
Пример ряда с трендом:
tt tY
tttttt uYYY 11
Иногда, например, в случае квадратичного тренда, для
приведения ряда к стационарному необходимо взять вторые
разности.
Отметим, что взятие последовательных разностей не всегда
приводит к стационарному ряду. Примером может служить
1,1 ttt YY