Upload
others
View
7
Download
0
Embed Size (px)
Citation preview
ЛЕКЦИЯ 19
МОДЕЛИ СТАЦИОНАРНЫХ ВРЕМЕННЫХ
РЯДОВ С КОНЕЧНЫМ ЧИСЛОМ
ПАРАМЕТРОВ
МЕТОДОЛОГИЯ БОКСА-ДЖЕНКИНСА
1. Тест Дики-Фуллера на наличие единичного корня
2. AR(1), AR(2), AR(p)
3. МА(q)
4. ARMA(p, q)
Тест Дики-Фуллера на наличие единичного корня
Пусть рассматривается процесс AR(1) без свободного члена
1,,...,1,,0~, 2
1 ntiidYY tttt
Если же 1 , то процесс будет нестационарным (мы
такой процесс назвали случайным блужданием)
Мы хотим проверить, что 1 . Кажется вполне логичным,
что для этого могла бы сгодиться t-статистика,
рассчитанная по оцененному МНК параметру ̂ , как мы и
поступали раньше: )ˆ.(.
1ˆˆ
es
Но проблема заключается в том, что при наличии
нестационарности, эта статистика даже асимптотичеки не
будет иметь t-распределения. Более того, для 1
дисперсия процесса 0 будет бесконечно большой.
Однако для любого объема выборки n может быть получена
конечная оценка дисперсии ряда ty
Тестируем гипотезу 1:0 H (единичный корень), против
гипотезы 1:1 H (стационарность, процесс AR(1) с
нулевым средним).
Дики и Фуллер (Dickey, Fuller) в нескольких своих работах
опубликовали выборочные процентили распределения
статистики. 1% и 5%-ные критические значения теста (DF
test) для некоторых объемов выборок представлены в
таблице:
Более подробно о тесте DF можно прочитать: М. Вербик,
Путеводитель по современной эконометрике, п.8.4.
Не все временные ряды, для которых мы не можем
отклонить нулевую гипотезу, являются интергрируемыми
первого порядка.
Модели авторегрессии AR(1), AR(2), AR(p)
Модель авторегрессии AR(1) – Марковский процесс
AR(1) или ARMA(1, 0)
Мы этот процесс уже рассматривали, поэтому только
коротко вспомним его основные свойства.
1,,0~, 2
1 iidYmY tttt (*)
Свойства:
,...2,1,
,1
,1
,1
2
22
2
22
0
y
y
m
Неравенство 1 является необходимым условием
стационарности процесса.
PACF (τ>1)=0
ACF(1)=PACF(1)
Автокорреляционная функция экспоненциально затухает, не
меняя знака, если оценка параметра авторегрессии
положительная, и – меняя знак, если отрицательна.
Частная автокорреляционная функция имеет выброс на лаге
1, для других задержек – корреляции нет.
Модель авторегрессии AR(2) –процесс Юла-Уокера
(Yule-Walker)
AR(2) или ARMA(2, 0)
2
2211 ,0~, iidYYY ttttt (**)
Вычислим ковариацию между уровнями ряда, отстоящими
на τ друг от друга:
tttttt YYYCovYYCov ;; 2211
Получим:
2211
Чтобы получить автокорреляционную функцию, разделим
обе части равенства на дисперсию 0
2211 (***)
Учтем, что 10 , а также симметричность
автокорреляционной функции 11 , и примем k=1, 2.
Тогда получим систему уравнения для нахождения первых
двух значений автокорреляционной функции (система
уравнений Юла-Уокера):
2112
1211
Отсюда:
2
2
2
12
2
11
1
1
Остальные значения АКФ можно вычислить, используя
первые два значения, по формуле (***)
Если теперь домножить уравнение (**) на ty , а затем взять
от обеих частей математическое ожидание, то можно
получить дисперсию процесса AR(2):
21212
2
20
111
1
Исходя из того, что дисперсия должна быть положительна,
получим условия стационарности процесса AR(2):
1,1,1 12212
Автокорреляционная функция процесса AR(2) может
экспоненциально затухать, или может иметь форму
затухающей синусоидальной волны.
Частная автокорреляционная функция имеет выброс на
лагах 1 и 2, для других задержек – корреляции нет (PACF=0
для k>2).
Модель авторегрессии AR(р) – общие замечания
2
2211 ,0~,... iidYYYY ttptpttt
Условие стационарности
1...21 p
Процессы скользящего среднего МА(q) (moving average)
ARMA(0, q)
2
11 ,0~,... iidY tqtqttt (****)
Рассмотрим в качестве примера процесс МА(1)
2
11 ,0~, iidY tttt
Условие обратимости процесса (т.е. возможность его
представления через AR процесс): 11
При выполнении этого условия процесс МА(1) можно
записать как процесс )(AR :
tttt YYY
...
12
2
111
1
Среднее и дисперсия процесса МА(1):
2
1
221, y
Автоковариационная функция 1,0,2
11 kk
Автокорреляционная функция:
1,0,
1 2
1
11
kk
ACF имеет выброс на лаге 1; PACF экспоненциально
затухает либо монотонно, либо меняя знак.
Для нахождения параметра 1 решается уравнение
011
1
1
2
1
Среди корней этого уравнения выбираются корни меньше
единицы, для обеспечения обратимости процесса.
Модель МА(q) – общие замечания
Характеристическое свойство процесса: ACF обрывается на
лаге q.
ACF определяется как
qk
qkq
qkqkk
k
,0
,,...,2,1,...1
...22
2
2
1
11
Понятие о смешанных процессах и процесс ARMA(1, 1)
ARMA(p, q):
2
1111
,0~
,......
iid
YYY
t
qtqttptptt
ARMA(1, 1):
2
1111 ,0~, iidYY ttttt
Процесс является стационарным и обратимым, если для
параметров выполнены неравенства: 1,1 11
Среднее, дисперсия, автоковариация и автокорреляция
процесса:
2
1011
2
1
11
2
12
0
1
,1
21,
1
Для автоковариации более высокого порядка получаем
рекуррентное соотношение:
1,11 kkk
Для автокорреляции имеем:
11
2
1
111111
1
121
1,1,
kk
k
Для ARMA (1, 1) ACF ведет себя так же, как для процесса
AR(1).
В целом, для процесса ARMA(p, q) первые q значений ACF
определяются взаимодействием компонент AR и МА,
дальнейшее поведение – как для процесса AR(p).
PACF для ARMA (p, q) убывает подобно PACF для процесса
МА(q).
Методолгия Бокса-Дженкинса. Модель ARIMA(p,d,q)
Box, Jenkins, 1976
Пусть к исходно нестационарному ряду d раз применили
процедуру последовательного взятия разности: t
dY
Пусть после этого получился стационарный ряд,
удовлетворяющий процессу ARMA(p, q)
Тогда такой процесс Yt называется интегрированным
процессом авторегрессии и скользящего среднего (integrated
autoregression and moving average)
Этапы подбора модели ARMA(p, d, q)
Идентификация модели:
Тестирование на стационарность, построение и анализ ACF
и PACF, тест на наличие единичного корня. Если ряд
нестационарный, берем последовательные разности (как
правило, не более двух раз).
После получения стационарного ряда строятся его
выборочные ACF и PACF и делаются предположения о
порядке авторегрессии и скользящего среднего (как
правило, стараются использовать модели низких порядков,
так, чтобы 3 qp при отсутствии сезонности)
Оценивание и проверка адекватности модели
Для каждой из выбранных моделей оцениваются значения
параметров и находятся остатки.
Проверяется, насколько модель соответствует данным.
Выбирается та модель, которая описывается меньшим
количеством параметров.
Для оценивания параметров используются обычный МНК,
нелинейный МНК, полный или условный ММП. Детально:
в МКП, раздел 11.4.
Оценки коэффициентов модели должны быть статистически
значимы.
Ошибки модели t должны являться белым шумом.
Следовательно, остатки регрессии te также должны быть
«похожи» на белый шум. Для проверки равенства нулю
сразу К первых значений АКФ остатков используем уже
известную нам статистику Бокса-Пирса:
K
rTQ1
2
Если нулевая гипотеза верна, то эта статистика имеет хи-
квадрат распределение с числом степеней свободы
qpK
В качестве модификации теста Бокса-Пирса можно
использовать тест Льюнга-Бокса (Ljung, Box, 1978):
K
LBn
rnnQ
1
2
)2(
Распределение этой статистики для конечных выборок
ближе к хи-квадрат.
Если тесты показывают наличие автокорреляции остатков,
то модель должна быть модифицирована.
Если же есть сразу несколько «достаточно хороших»,
адекватных моделей, то нужно выбрать одну из них, исходя
из принципа «экономии»: выбрать модель с наименьшим
числом параметров.
Здесь помогут два теста:
Информационный критерий Акаике AIC (Akaike information
criterion, Akaike, 1973)
n
e
n
qpAIC
n
t
t
1
2
ln2
Из двух моделей следует выбрать ту, у которой AIC
меньше.
Байесовский информационный критерий Шварца BIC
(Schwarz criterion, Schwarz, 1978)
n
e
n
nqpBIC
n
t
t
1
2
lnln
Критерий Шварца предпочтительнее, поскольку он имеет
свойство выбирать истинную модель «почти наверняка».
Прогнозирование по ARIMA модели