- 1、本文档共23页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
时间序列分析部分讲义(中国科学研究院安鸿志).
时间序列分析 (J.D.Hamilton)
前言: 3.平稳ARMA过程(p49-78),
6.谱分析(p180-202),
11.向量自回归(p345-409),
21.异方差时间序列模型(p799-823).
3. 平稳ARMA过程
3.0 概述 (认识论,方法论,历史观,发展观)
什么是”回归模型”?
什么是”自回归模型”?
它们有什么联系 ?
为什么用”回归”一词 ?
它们的推广模型是什么 ?
它们的应用背景是什么 ?
* 考虑 ”父-子身高的关系”
X---父亲的身高,
Y---儿子的身高,
它们有关系吗? 有什么样的关系呢?
不是确定的关系! 又不是没有关系!
在同族中抽取n对父-子的身高, 即有n对数据:
(X1,Y1), (X2,Y2), … , (Xn,Yn).
Yk ? a + bXk , 1?k?n.
Yk = a + bXk + ek , 1?k?n. (0.1)
* 此为一元线性回归模型.
ek---个体差异, 其他因素, 等等.
* 如果, 如果能记录到一个父系的长子身高序列, 即
X1,X2,…,Xn , 显然, (X1,X2),(X2,X3),…,(Xn-1,Xn)
是(n-1)对父--子身高数据, 与(Xk,Yk)相比, 这里的
Yk = Xk+1 , k=1,2,…,n-1.
依同样论述有
Xk +1 = a + bXk + ek , 1?k?n. (0.2)
* 此为一元线性自回归模型(自变元Yk是因变元Xk的延迟)
* 回归?英文翻译?Regression?(0.2),
具体说来如下:
?--男人平均身高. 由(0.2)得
Xk +1-? = a + bXk + ek -? (注意?=(b-1)?+b?)
= a +(b-1)? + b(Xk -?)+ ek.
Wk = (Xk -?)---第k代长子身高与平均身高之差,
c= a +(b-1)?,
于是有
Wk+1 = c + bWk + ek. (0.3)
特别人们发现: 0b1.它表明:
平均说来, 当父亲身高超过平均身高时,
其子身高也会超过平均身高,
但是比父亲身高更靠近平均身高.
有回归平均身高的趋向!
稳定系统!
* 回归模型的推广: (线性模型)
* 增加自变元个数:
比如, 儿子身高不仅与父亲还与母亲, 甚至于祖父母
有关, 于是(0.1)式应推广为:
Yk = a + b1X1k +…+ bpXpk +ek , 1?k?n. (0.4)
* 此为p元线性回归模型.
* 向非线性推广:
仍以父-子身高的关系为例, 它们的真实关系应是比
(0.1)式更一般的形式:
Yk = ?(Xk )+ ek , 1?k?n. (0.5)
(0.4)式 更一般的形式:
Yk = ?(X1k,…,Xpk )+ ek , 1?k?n. (0.6)
近年来, 又引出了比(0.6)式更广的模型:
Yk =?(X1k,…,Xpk )+s(X1k,…,Xpk )ek ,1?k?n. (0.7)
* 此为异方差回归模型.
(0.7)式的更一般的形式:
Yk =?(X1k,…,Xpk ;ek ),1?k?n. (0.8)
模型越复杂, 越近似真实情况, 也越难统计分析.
* 应用背景:非常广泛!主要用于预报,控制,检测,管理.
模型的获得方法有两类.
3.1 期望,平稳性,遍历性:
确切说, 是对(0.1)至(0.8)式中{ek}的最起码的假定, 根据这些假定就可以引出随机过程和各种模型概念, 用它们近似描述{ek}(本来是说不清的).而且, 对这些起码的假定, 也只是以最直观的方式, 而非严格的概率论观点, 加以介绍.
* 期望和随机过程
* 随机过程: {X(t);-?t?},其中X(t)是随机变量.
* 随机序列: {Xk;k=…,-1,0,1,…},其中Xk是随机变量.
特别当Xk=X(kh)时,序列{Xk}是过程{X(t)}的等间隔采样序列.
回忆随机变量X和它的样本的定义, 我们有:
* 样本序列:{…,x-1,x0,x1,…}是序列{Xk}的一个样本序列,
又称为一个实现, 又称为一个观测序列,等等.
请注意: 随机变量X的一个样本,就是一个数;
随机向量X的一个样本,就是一个向量数;
随机序列{Xk}的一个样本, 是一个无穷数列;
在实际应用中, 我们无法记录无穷数列,从而在讨论随机序列{Xk}的样本时, 只能考虑一个样本的有限部分, 比如
{x1,x2,…,xn}是序列{Xk}的一段
文档评论(0)