协方差函数
在平稳
AR(p)模型两边同乘
xt−k,∀k>1, 再求期望
对于中心化的AR模型, 其均值为0, 则有
cov(xt,xs)=E(xt)E(xs)
又因为
xt=ϕ1xt−1+ϕ2xt−2+⋯+ϕpxt−p+εt
所以
E(xtxt−k)=ϕ1E(xt−1xt−k)+⋯+ϕpE(xt−pxt−k)+E(εtxt−k)
又因为
εt 与 x_t 独立, 即
E(εtxt−k)=0,∀k≥1
最终可得协方差的递推公式
rk=ϕ1rk−1+ϕ2rk−2+⋯+ϕprk−p
例子: 求平稳
AR(1)模型的协方差
递推公式
rk=ϕ1rk−1=ϕ1kr0 , 其中
r0 为相差为0的协方差函数,即为方差
平稳AR(1)模型的方差为
r0=1−ϕ12σε2
协方差函数的地推公式为
rk=ϕ1k1−ϕ12σε2,∀k≥1
由平稳
AR(1)的
ϕ1<1⇒当k→∞,时,ϕ1k→0⇒rk<rk−1,∀k≥1
所以随着间隔期数的拉长, 协方差函数的绝对值不断减少且趋近于零。
平稳
AR(2)模型的协方差函数递推公式为
rk=ϕ1rk−1+ϕ2rk−2,k≥2r1=ϕ1r0+ϕ2r−1=ϕ1r0+ϕ2r1⇒r1=1−ϕ2ϕ1r0r0=(1+ϕ2)(1−ϕ1−ϕ2)(1+ϕ1−ϕ2)1−ϕ2σε2
AR(2)模型的平稳性条件有一条:
ϕ1±ϕ2<1且∣ϕ2∣<1
有知道
r1<r0 , 所以
1−ϕ2ϕ1−1=1−ϕ2ϕ1+ϕ2−1
那么该分式的分母大于零,分子小于零,即整个分式小于零
其协方差函数也是不断减小,趋近于零的(拖尾性)
自相关系数
定义为:
ρk=r0rk
平稳
AR(p)模型的自相关系数递推公式
ρk=ϕ1ρk−1+ϕ2ρk−2+⋯+ϕpρk−p
常用
AR模型自相关系数递推公式
AR(1)模型:
ρk=ϕik,k≥0
AR(2)模型:
ρk=⎩⎪⎨⎪⎧11−ϕ2ϕ1ϕ1ρk−1+ϕ2ρk−2k=0k=1k≥2
观察数据是否适合AR模型去拟合时,可以观察数据的自相关图。 如果自相关图展现出相对于的拖尾性质时,那么这个数据肯能是适合AR模型的。
总结:
AR模型自相关系数的性质
拖尾性:
ρ(k)=∑i=1pciλik(c1,c2,⋯,cp不能恒等于零)
呈复指数衰减
ρ(k)=∑i=1pciλik→0
这个性质告诉我们: 对于平稳序列而言, 通常只有近期的序列影响更强,时间越远,影响越小。
偏自相关系数
定义: 对于平稳
AR(p)序列, 所谓滞后k偏自相关系数就是指在给定中间k-1个随机变量
xt−1,xt−2,⋯,xt−k+1 的条件下,或者说,在剔除了中间k-1个随机变量的干扰滞后,
xt−k 对
xk 影响的相关度量。用属性语言描述就是
ρxt,xt−k∣xt−1,⋯,xt−k+1=E[(xt−k−E^xt−k)2]E[(xt−E^xt)]E[(xt−k−E^xt−k)]
偏自相关系数的截尾性
AR(p)模型偏自相关系数P阶截尾:
ϕkk=0,k>p
总结:
判断一个时间序列是否可以用AR模型的方式
如果自相关图拖尾,偏自相关系数图呈截尾现象,那么这个时间序列就可以使用AR模型拟合,其中偏自相关系数图呈现几阶截尾,就可以建立几阶的AR模型