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+ϕ1xt−1+ϕ2xt−2+ϕ3xt−3...++ϕpxt−p+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)=0,Var(ϵt)=σ2,E(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。
当
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=xt−1−∑i=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=xt−1−∑i=1pϕiϕ0=ϕ0+ϕ1xt−1+ϕ2xt−2+ϕ3xt−3...++ϕpxt−p+ϵt−1−∑i=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}}
=−1−∑i=1ϕ0∑i=1pϕi+i=1∑pϕi(xi−1−∑i=1pϕiϕ0)+1−∑i=1ϕ0∑i=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=1∑pϕi(xi−1−∑i=1pϕiϕ0)=i=1∑pϕiyi
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)=1−ϕ1B−ϕ2B2−...−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=1.1xt−1+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=xt−1−0.2xt−2+ϵt……(2)
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)
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
λp−ϕ1λp−1−...−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
λ1,λ2,...,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=1∑pϕjfo(t−j)+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
t→∞limxt=t→∞lim[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∣<1,1≤j≤p
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=xt−1−0.2xt−2+ϵt,其特征方程为:
λ
2
−
λ
+
0.2
=
0
\lambda^2-\lambda+0.2=0
λ2−λ+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=21−0.2,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)=1−ϕ1B−ϕ2B2−...−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
λip−ϕ1λip−1−ϕ2λit−2−...−ϕp=0
另
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)=1−ϕ1ui−ϕ2ui2−...−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}
=1−ϕ1λi1−ϕ2λi21−...−−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(λip−ϕ1λip−1−ϕ2λip−2−...−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=ϕ1xt−1+ϵt其特征方程为:
λ
−
ϕ
1
=
0
\lambda-\phi_1=0
λ−ϕ1=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\}
{ϕ1∣∣ϕ1∣<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=1.1xt−1+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=ϕ1xt−1+ϕ2xt−2+ϵt其特征方程为:
λ
2
−
ϕ
1
λ
−
ϕ
2
=
0
\lambda^2-\phi_1\lambda-\phi_2=0
λ2−ϕ1λ−ϕ2=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=2ϕ1−ϕ12+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=ϕ1,λ1λ2=−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∣<1且∣λ2∣<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+λ2−λ1λ2=1−(1−λ1)(1−λ2)<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+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,ϕ2∣∣ϕ2∣<1且ϕ2±ϕ1<1}。文章来源:https://www.toymoban.com/news/detail-786161.html
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=xt−1−0.2xt−2+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,ϕ2−ϕ1=−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!