15.2 线性自回归滑动平均模型

数学学习 · 爱知数学讲义

18
本章目录 · 1 节

本章导读

【15.2 线性自回归滑动平均模型】以下先中心化序列,使E()=0。为沿用原书,MA系数采用减号:

其中,。约去公共因子后才能谈最简阶数ARMA(p,q);q=0为AR(p),p=0为MA(q)。不仅要写方程,还要说明创新与过去的正交性、因果性和可逆性等条件。

【因果与可逆】Φ全部根在单位圆外,可用现在及过去创新构造因果平稳解;Θ全部根在单位圆外,则可从现在及过去X恢复创新,称可逆。这两种条件分别作用于不同多项式。有限MA不管是否可逆都平稳。若只给AR方程而不要求因果,可能有依赖未来创新的非因果平稳解,因此本章的预测和截尾结论采用因果创新模型。

【AR的偏相关截尾】对因果AR(p),与过去X正交。用至少p项过去观测作线性预测时,前p个模型系数加其余系数0便给最小预测误差,所以k>p时=0。但当k<p时,通常不等于完整AR(p)的;原书将这些项直接等同的写法不适用于欠阶投影。例如AR(2)的==/(1−),而非一般等于。

【MA的自相关截尾】记=1、=−,,独立或不相关创新只有相同下标贡献积矩:

等价地,=σ²(1+Σ),(1≤k≤q),=/。=。这些是总体相关的精确零,不代表有限样本估计在截尾以后恰好全为0。

【AR(1)及一般AR的自相关】=φ+,因果模型|φ|<1,有

求和从j=0开始,不能漏掉当期创新。负φ时相关交替正负,不宜用未经解释的实数lnφ写指数。φ=0是白噪声特例;非零φ时相关通常指数拖尾。一般因果AR(p)满足(k≥1,负下标按偶性),可用本章附录求解。可逆MA的偏相关通常拖尾;一般最简混合ARMA的ACF、PACF通常都拖尾,需排除白噪声或降阶抵消等特例。

【偏相关的方程与递推】最小二乘的一阶条件为

因此=,。非退化条件下,莱文森—德宾递推为

递推每阶要保留上一阶全部系数,不能边覆盖边继续使用旧值;分母是归一化的上一阶预测误差方差,退化为0时须另处理。

【例 AR(2)和MA(2)的相关图】保留原模型及,各模拟200项。R的MA约定为加号,与前面的θ相反。本次固定种子20261116,实际执行以下R代码生成新样本,配图不是对原书未给种子的图形逐柱复制。

【R代码】set.seed(20261116)

sim.ar <- arima.sim(list(ar=c(0.4,0.4)), n=200)

sim.ma <- arima.sim(list(ma=c(0.6,-0.4)), n=200)

par(mfrow=c(2,2))

acf(sim.ar, lag.max=20, main="ACF of AR(2)")

acf(sim.ma, lag.max=20, main="ACF of MA(2)")

pacf(sim.ar, lag.max=20, main="PACF of AR(2)")

pacf(sim.ma, lag.max=20, main="PACF of MA(2)")

05101520-0.500.5105101520-0.500.5105101520-0.500.5105101520-0.500.51
图15-1 两个原模型各200项模拟的样本ACF与PACF,固定种子并实际执行R;虚线为近似点态参考带,不是同时置信带

总体上AR(2)的PACF在2以后为0,MA(2)的ACF在2以后为0,但样本柱仍会波动,偶尔越过约±1.96/√200参考线并不自动否定模型。AR例的总体=2/3、=0.4。MA例多项式1+0.6u−0.4u²=(1+u)(1−0.4u),有单位圆上的根−1,故虽平稳,却不满足严格可逆的“根全部在单位圆外”条件;不能把它当作可逆性例子。

【表15-1 三种模型的典型总体性质】MA(q):方程X=Θ(B)ε,ACF在q后截尾、PACF通常拖尾;因果AR(p):Φ(B)X=ε,ACF通常拖尾、PACF在p后截尾;最简混合ARMA(p,q):Φ(B)X=Θ(B)ε,二者通常拖尾。阶数边界、系数为0或公共因子抵消时应先降阶。

MA(q)X = Theta(B) ePhi(B) X = ePhi(B) X = Theta(B) e
表15-1 MA、AR和ARMA的基本方程与总体相关特征

【差分与ARIMA】若服从ARMA(p,q),则X为ARIMA(p,d,q),d=0退回ARMA。价格或其对数往往存在趋势,但不能一概断定“对数差分必平稳”;仍须检查结构变化、季节性和波动变化,也不要盲目反复差分。