AR模型及其平稳性

这篇具有很好参考价值的文章主要介绍了AR模型及其平稳性。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

定义

具有如下结构的模型称为p阶自回归模型,简记为AR§:
x t = ϕ 0 + ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϕ 3 x t − 3 . . . + + ϕ p x t − p + ϵ t x_t=\phi_0+\phi_1x_{t-1}+\phi_2x_{t-2}+\phi_3x_{t-3}...++\phi_p x_{t-p}+\epsilon_t xt=ϕ0+ϕ1xt1+ϕ2xt2+ϕ3xt3...++ϕpxtp+ϵt

AR§模型有三个限制条件:
(1) ϕ p ≠ 0 \phi_p \neq0 ϕp=0,这个条件保证了AR模型最高阶为p阶。
(2) E ( ϵ t ) = 0 , V a r ( ϵ t ) = σ 2 , E ( ϵ t ϵ s ) = 0 , s ≠ t E(\epsilon_t)=0,Var(\epsilon_t)=\sigma^2,E(\epsilon_t\epsilon_s)=0,s \neq t E(ϵt)=0Var(ϵt)=σ2E(ϵtϵs)=0,s=t,这个条件保证了随机干扰序列是零均值的白噪声序列。
(3) E ( x s ϵ t ) = 0 , ∀ s < t E(x_s\epsilon_t)=0,\forall s < t E(xsϵt)=0,s<t,这个条件说明了当期的随机扰动项与过去的序列值无关。

ϕ 0 = 0 \phi_0=0 ϕ0=0时,自回归模型又称为中心化AR§模型。非中心化模型可通过以下变换转化为中心化模型:
y t = x t − ϕ 0 1 − ∑ i = 1 p ϕ i y_t=x_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} yt=xt1i=1pϕiϕ0
具体如下:
y t = x t − ϕ 0 1 − ∑ i = 1 p ϕ i = ϕ 0 + ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϕ 3 x t − 3 . . . + + ϕ p x t − p + ϵ t − ϕ 0 1 − ∑ i = 1 p ϕ i y_t=x_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} =\phi_0+\phi_1x_{t-1}+\phi_2x_{t-2}+\phi_3x_{t-3}...++\phi_p x_{t-p}+\epsilon_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} yt=xt1i=1pϕiϕ0=ϕ0+ϕ1xt1+ϕ2xt2+ϕ3xt3...++ϕpxtp+ϵt1i=1pϕiϕ0
= − ϕ 0 ∑ i = 1 p ϕ i 1 − ∑ i = 1 + ∑ i = 1 p ϕ i ( x i − ϕ 0 1 − ∑ i = 1 p ϕ i ) + ϕ 0 ∑ i = 1 p ϕ i 1 − ∑ i = 1 =-\frac{\phi_0\sum_{i=1}^p\phi_i}{1-\sum_{i=1}}+\sum_{i=1}^p\phi_i(x_i-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i})+\frac{\phi_0\sum_{i=1}^p\phi_i}{1-\sum_{i=1}} =1i=1ϕ0i=1pϕi+i=1pϕi(xi1i=1pϕiϕ0)+1i=1ϕ0i=1pϕi
= ∑ i = 1 p ϕ i ( x i − ϕ 0 1 − ∑ i = 1 p ϕ i ) = ∑ i = 1 p ϕ i y i =\sum_{i=1}^p\phi_i(x_i-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i})=\sum_{i=1}^p\phi_iy_i =i=1pϕi(xi1i=1pϕiϕ0)=i=1pϕiyi
此时非中心化模型转化为中心化模型。

当引入延迟算子时,中心化AR§模型可以简记为:
Φ ( B ) x t = ϵ t \Phi(B)x_t=\epsilon_t Φ(B)xt=ϵt
其中
Φ ( B ) = 1 − ϕ 1 B − ϕ 2 B 2 − . . . − ϕ p B p \Phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p Φ(B)=1ϕ1Bϕ2B2...ϕpBp

模型平稳性判别

AR模型是常用的平稳序列的拟合模型之一,但并非所有的AR模型都平稳,因此需要对AR模型的平稳性进行判别。

判别方法

(1)图示法

如针对以下两个AR模型:
x t = 1.1 x t − 1 + ϵ t … … ( 1 ) x_t=1.1x_{t-1}+\epsilon_t…… (1) xt=1.1xt1+ϵt(1)
x t = x t − 1 − 0.2 x t − 2 + ϵ t … … ( 2 ) x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t……(2) xt=xt10.2xt2+ϵt2

import random
import matplotlib.pyplot as plt
data_1 = [5,3]
data_2 = [5,3]
for i in range(1,1000):
    res_1 = 1.1*data_1[i]+random.random()
    res_2 = data_2[i]-0.2*data_2[i-1]+random.random()
    data_1.append(res_1)
    data_2.append(res_2)
plt.plot(data_1)
plt.plot(data_2)

ar模型的平稳性条件,时间序列分析,ar
ar模型的平稳性条件,时间序列分析,ar

从图中可以看出模型(1)是非平稳的,模型(2)是平稳的。
图示法是通过时序图进行判别,有时会不准确,除此之外还有另外两种准确的判别方法。

(2)特征根法

对于p阶AR模型而言,其特征方程为:
λ p − ϕ 1 λ p − 1 − . . . − ϕ p = 0 \lambda^p-\phi_1\lambda^{p-1}-...-\phi_p=0 λpϕ1λp1...ϕp=0
对于上述其次线性方程组可以求出p个非零特征根 λ 1 , λ 2 , . . . , λ p \lambda_1,\lambda_2,...,\lambda_p λ1λ2...λp
对于AR§模型而言,其可以看作是一个非齐次线性方程组,可求得其的一个特解为 f ∗ ( t ) f^*(t) f(t),可得:
f 0 ( t ) = ∑ j = 1 p ϕ j f o ( t − j ) + ϵ t f_0(t)=\sum_{j=1}^p\phi_jf_o(t-j)+\epsilon_t f0(t)=j=1pϕjfo(tj)+ϵt
所以可得到AR§模型的通解为:
x t = c 1 λ t + c 2 λ t + . . . + c p λ t + f 0 ( t ) ( ) x_t=c_1\lambda^t+c_2\lambda^t+...+c_p\lambda^t+f_0(t)() xt=c1λt+c2λt+...+cpλt+f0(t)()
式中 c 1 , c 2 , . . . , c p c_1,c_2,...,c_p c1,c2,...,cp为任意实数。
平稳序列的值始终在均值附近波动,不会随时间增加而发散,因此对两边取极限,可得
lim ⁡ t → ∞ x t = lim ⁡ t → ∞ [ c 1 λ t + c 2 λ t + . . . + c p λ t + f 0 ( t ) ] = μ \lim_{t \to \infty}x_t=\lim_{t \to \infty}[c_1\lambda^t+c_2\lambda^t+...+c_p\lambda^t+f_0(t)]=\mu tlimxt=tlim[c1λt+c2λt+...+cpλt+f0(t)]=μ
由于对于任何 c 1 , c 2 , . . . , c p c_1,c_2,...,c_p c1,c2,...,cp都成立,要保证每一个幂函数都不能发散,即:
∣ λ j ∣ < 1 , 1 ≤ j ≤ p |\lambda_j|<1,1\leq j\leq p λj<1,1jp
即要使AR§模型是平稳的,则其对应特征方程的特征根的绝对值要小于1。

举例

如对于一个AR(2)模型 x t = x t − 1 − 0.2 x t − 2 + ϵ t x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t xt=xt10.2xt2+ϵt,其特征方程为:
λ 2 − λ + 0.2 = 0 \lambda^2-\lambda+0.2=0 λ2λ+0.2=0可解得其特征根为 λ 1 = 1 + 0.2 2 , λ 2 = 1 − 0.2 2 \lambda_1=\frac{1+\sqrt{0.2}}{2},\lambda_2=\frac{1-\sqrt{0.2}}{2} λ1=21+0.2 ,λ2=210.2 ,由于 λ 1 < 1 , λ 2 < 1 \lambda_1<1,\lambda_2<1 λ1<1,λ2<1,可得此AR(2)模型平稳。

自回归系数多项式

我们不仅可以直接通过AR模型对应特征方程的特征根来判别模型是否平稳,还可以通过自回归系数多项式的根来判别AR模型是否平稳。
当引入延迟算子时,中心化AR§模型可等价为:
Φ ( B ) x t = ϵ t \Phi(B)x_t=\epsilon_t Φ(B)xt=ϵt

其中 Φ ( B ) = 1 − ϕ 1 B − ϕ 2 B 2 − . . . − ϕ p B p \Phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p Φ(B)=1ϕ1Bϕ2B2...ϕpBp
如果 λ i \lambda_i λi是AR模型对应特征方程的特征根,则有:
λ i p − ϕ 1 λ i p − 1 − ϕ 2 λ i t − 2 − . . . − ϕ p = 0 \lambda_i^p-\phi_1\lambda_i^{p-1}-\phi_2\lambda_i^{t-2}-...-\phi_p=0 λipϕ1λip1ϕ2λit2...ϕp=0
u i = 1 / λ i u_i=1/\lambda_i ui=1/λi,则:
Φ ( u i ) = 1 − ϕ 1 u i − ϕ 2 u i 2 − . . . − ϕ p u i p \Phi(u_i)=1-\phi_1 u_i-\phi_2 u_i^2-...-\phi_p u_i^p Φ(ui)=1ϕ1uiϕ2ui2...ϕpuip = 1 − ϕ 1 1 λ i − ϕ 2 1 λ i 2 − . . . − − ϕ p 1 λ i p =1-\phi_1\frac{1}{\lambda_i}-\phi_2\frac{1}{\lambda_i^2}-...--\phi_p\frac{1}{\lambda_i^p} =1ϕ1λi1ϕ2λi21...ϕpλip1 = 1 λ i p ( λ i p − ϕ 1 λ i p − 1 − ϕ 2 λ i p − 2 − . . . − 1 ) = 0 =\frac{1}{\lambda_i^p}(\lambda_i^p-\phi_1\lambda_i^{p-1}-\phi_2\lambda_i^{p-2}-...-1)=0 =λip1(λipϕ1λip1ϕ2λip2...1)=0
所以 u i = 1 λ i u_i=\frac{1}{\lambda_i} ui=λi1是自回归系数多项式的解,而 ∣ λ i ∣ < 1 |\lambda_i|<1 λi<1,可得 ∣ u i ∣ > 1 |u_i|>1 ui>1,即自回归系数多项式的根全都大于1时,AR模型是平稳的。

(3)平稳域法

对于低阶的AR模型而言,使用平稳域判别相对简单。
①AR(1)模型
AR(1)模型的表达式为:
x t = ϕ 1 x t − 1 + ϵ t x_t=\phi_1x_{t-1}+\epsilon_t xt=ϕ1xt1+ϵt其特征方程为:
λ − ϕ 1 = 0 \lambda-\phi_1=0 λϕ1=0
特征根为 λ = ϕ 1 \lambda=\phi_1 λ=ϕ1,可推出AR(1)模型平稳的充要条件为 ∣ ϕ 1 ∣ < 1 |\phi_1|<1 ϕ1<1,所以其平稳域为 { ϕ 1 ∣ ∣ ϕ 1 ∣ < 1 } \{\phi_1||\phi_1|<1\} {ϕ1ϕ1<1}

举例

如对于一个AR(1)模型 x t = 1.1 x t − 1 + ϵ t x_t=1.1x_{t-1}+\epsilon_t xt=1.1xt1+ϵt ∣ ϕ 1 ∣ = 1.1 > 1 |\phi_1| = 1.1>1 ϕ1=1.1>1,不在平稳颙内,可得此AR(1)模型不平稳。

②AR(2)模型
AR(2)模型的表达式为:
x t = ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϵ t x_t=\phi_1x_{t-1}+\phi_2x_{t-2}+\epsilon_t xt=ϕ1xt1+ϕ2xt2+ϵt其特征方程为:
λ 2 − ϕ 1 λ − ϕ 2 = 0 \lambda^2-\phi_1\lambda-\phi_2=0 λ2ϕ1λϕ2=0

特征根为 λ 1 = ϕ 1 + ϕ 1 2 + 4 ϕ 2 2 , λ 2 = ϕ 1 − ϕ 1 2 + 4 ϕ 2 2 \lambda_1=\frac{\phi_1+\sqrt{\phi_1^2+4\phi_2}}{2},\lambda_2=\frac{\phi_1-\sqrt{\phi_1^2+4\phi_2}}{2} λ1=2ϕ1+ϕ12+4ϕ2 ,λ2=2ϕ1ϕ12+4ϕ2 ,可得 λ 1 + λ 2 = ϕ 1 , λ 1 λ 2 = − ϕ 2 \lambda_1+\lambda_2=\phi_1,\lambda_1\lambda_2=-\phi_2 λ1+λ2=ϕ1λ1λ2=ϕ2,AR(2)模型平稳的充要条件为 ∣ λ 1 ∣ < 1 且 ∣ λ 2 ∣ < 1 |\lambda_1|<1且|\lambda_2|<1 λ1<1λ2<1

结合以上条件,可得到:
∣ λ 1 λ 2 ∣ = ∣ − ϕ 2 ∣ = ∣ ϕ 2 ∣ < 1 |\lambda_1\lambda_2|=|-\phi_2|=|\phi_2|<1 λ1λ2=ϕ2=ϕ2<1

ϕ 2 + ϕ 1 = λ 1 + λ 2 − λ 1 λ 2 = 1 − ( 1 − λ 1 ) ( 1 − λ 2 ) < 1 \phi_2+\phi_1=\lambda_1+\lambda_2-\lambda_1\lambda_2=1-(1-\lambda_1)(1-\lambda_2)<1 ϕ2+ϕ1=λ1+λ2λ1λ2=1(1λ1)(1λ2)<1

ϕ 2 − ϕ 1 = λ 1 + λ 2 + λ 1 λ 2 = 1 − ( 1 + λ 1 ) ( 1 + λ 2 ) < 1 \phi_2-\phi_1=\lambda_1+\lambda_2+\lambda_1\lambda_2=1-(1+\lambda_1)(1+\lambda_2)<1 ϕ2ϕ1=λ1+λ2+λ1λ2=1(1+λ1)(1+λ2)<1

可推出其平稳域为 { ϕ 1 , ϕ 2 ∣ ∣ ϕ 2 ∣ < 1 且 ϕ 2 ± ϕ 1 < 1 } \{\phi_1,\phi_2\mid |\phi_2|<1且\phi_2 \pm \phi_1<1\} {ϕ1,ϕ2ϕ2<1ϕ2±ϕ1<1}

举例

如对于一个AR(2)模型 x t = x t − 1 − 0.2 x t − 2 + ϵ t x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t xt=xt10.2xt2+ϵt,其中 ∣ ϕ 2 ∣ = 0.2 < 1 |\phi_2|=0.2<1 ϕ2=0.2<1, ϕ 2 + ϕ 1 = 0.8 < 1 , ϕ 2 − ϕ 1 = − 1.2 < 1 \phi_2+\phi_1=0.8<1,\phi_2-\phi_1=-1.2<1 ϕ2+ϕ1=0.8<1,ϕ2ϕ1=1.2<1,可得此AR(2)模型平稳。文章来源地址https://www.toymoban.com/news/detail-786161.html

到了这里,关于AR模型及其平稳性的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介、Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略

    ML之TS:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介、Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略 目录 时间序列预测模型之ES/HLES/HWES模型/ETS模型/GARCH模型的简介 1、ES/HLES/HWES模型的概述

    2024年02月12日
    浏览(49)
  • 时间序列预测系列之AR模型

    AR(Autoregression)模型:自回归模型,是一种 线性模型 ,AR 模型的基本思想是当前时间点的观测值与之前时间点的观测值之间存在一定的自相关关系。AR 模型通常用参数 p 来表示自回归的阶数,表示当前时间点的观测值与前 p 个时间点的观测值相关。 A R ( p ) AR(p) A R ( p ) 模型的

    2024年02月09日
    浏览(32)
  • 时间序列分析自回归模型AR

            自回归模型(Autoregressive Model,简称AR模型)是一种时间序列分析方法,用于描述一个时间序列变量与其过去值之间的关系。AR模型假设当前观测值与过去的观测值之间存在线性关系,通过使用过去的观测值来预测未来的观测值。 AR模型的一般形式可以表示为: Y

    2024年02月14日
    浏览(43)
  • 时序预测 | MATLAB实现AR、ARMA、ARIMA时间序列预测模型答疑

    基本介绍 AR 自回归模型(Autoregressive Model),通常简称为AR模型,是一种用于时间序列分析和预测的统计模型。它基于时间序列自身的历史值来预测未来值,通过将当前时刻的观测值与前一时刻的观测值之间的关系进行建模。 AR模型的基本思想是,当前时刻的值可以由之前时

    2024年02月09日
    浏览(62)
  • 四种基础时间序列模型的应用与结果分析【AR、MA、ARMA、ARIMA】

    本文讲解了四种最简单的时间序列模型,从定义、确立模型、模型应用、结果分析出发,通过阅读可以迅速上手简易的时间序列模型。 AR模型的表达式如下: X t = c + ∑ i = 1 p ϕ i X t − i + ε t large X_t = c + sum_{i=1}^p phi_i X_{t-i} + varepsilon_t X t ​ = c + i = 1 ∑ p ​ ϕ i ​ X t −

    2024年02月05日
    浏览(72)
  • 机器学习——时间序列ARIMA模型(三):AR、MA、ARMA、ARIMA模型定义及公式介绍及股价预测案例代码

    使用自身的数据进行预测,且只适用于预测与自身前期相关的现象。 注意:需满足具有平稳性的要求,需满足自相关性,自相关系数需大于0.5。 p阶自回归公式: y t = μ + ∑ i = 1 p γ i y t − i + e t y_{t}=μ+sum_{i=1}^pgamma_{i}y_{t-i}+e_{t} y t ​ = μ + i = 1 ∑ p ​ γ i ​ y t − i ​ + e

    2024年02月02日
    浏览(59)
  • 时间序列基础操作:使用python与eviews对AR与ARMA模型进行定阶与预报

    一般处理时间序列的基本过程:(无季节趋势) 处理时间序列的简单过程(无季节趋势) 注:上图中LB检验的统计量纠正:n*(n+2),而不是n*(n-2)  几种基础时间序列模型(模型的具体形式补充见文末): 目录 一、Python处理 1.1.step1:平稳性检验与白噪音检验 1.1.1平稳性检验:

    2024年02月07日
    浏览(48)
  • 时间序列-AR MA ARIMA

    一、AR模型(自回归) AR探索 趋势和周期性 预测依赖于 过去的观测值和模型中的参数 。模型的阶数 p pp 决定了需要考虑多少个过去时间点的观测值。 求AR模型的阶数 p和参数 ϕ i phi_i ϕ i ​ ,常常会使用统计方法如 最小二乘法、信息准则(如AIC、BIC) 或者其他模型选择技术。

    2024年03月10日
    浏览(38)
  • 时序预测 | MATLAB实现Hamilton滤波AR时间序列预测

    预测效果 基本介绍 预测在很大程度上取决于适合周期的模型和所采用的预测方法,就像它们依赖于过滤器提取的周期一样。标准 Hodrick-Prescott 滤波器使用输入序列的过去和未来值计算双边中心差来估计时间 t 的二阶导数。 因此,过滤器通常应用于历史数据。 然而,这种非因

    2024年02月17日
    浏览(54)
  • 时序预测 | Python实现AR、ARMA、ARIMA时间序列预测

    预测效果 基本介绍 Python实现AR、ARMA、ARIMA时间序列预测 模型原理 AR、ARMA、ARIMA都是常用的时间序列预测方法,它们的主要区别在于模型中包含的自回归项和移动平均项的数量和阶数不同。 AR模型(Autoregressive Model)是一种仅包含自回归项的模型,它的基本思想是将当前时刻的

    2024年02月10日
    浏览(50)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包