第三章第四节
大刀 (持续努力,不断进步)
- 章节名:第三章第四节
写了几篇读书笔记,发现豆瓣写公式的功能虽然有,但是往往会出现bug。不过还是继续读继续写吧。 先牢骚几句,也许是最近天气炎热的原因,我总是不能耐心看书。读书笔记写的也都是凑凑合合,好多部分懒的敲出来。我知道,想要读这种学术书籍的人,我坚持写笔记的原因,其实只是对自我的一种考验吧。希望我能坚持把这件事情昨晚。 好了,继续第三章第四节的笔记了。 本书第三章第四节的题目叫做自相关与偏自相关(autocorrelatio and partial autocorrelation) 这个是接触过时间序列的人一定要熟悉的东西,因此这一篇笔记我尽量详细的写。 首先,展示MA(q)过程的ACF,($x_t=\theta(B)w_t$),其中$\theta(B)=1+\theta_1 B+ ... +\theta_q B^q($,因为$)x_t($是有限的白噪声的线性组合,因此这个过程是平稳的,均值函数为0。其自协方差函数为: $)($\rho(h)=cov(x_{t+h},x_t)=\sigma_w^2 \sum_{j=0}^{q-h}\theta_j \theta_{j+h}$)($ 对于$)0 \leq h \leq q($,对于$)h > q$,为0。 q时滞之后的截尾性,是MA(q)的特点。下面是MA(q)的ACF
对于一个causal的ARMA(p,q)过程,我们可以写一个通常意义的ACF,如下:
请原谅笔者直接截图,输入latex实在是费了太大劲了,另外笔者刚刚看到一个盆友与Efron的合影,有点不太淡定。错过了此生唯一一次能看到Efron的机会,笔者真是后悔到家了。(Efron是bootstrap的提出者,斯坦福大学的大牛,笔者近期相当仰慕的统计学家)。 例3.13.ARMA(1,1)过程的ACF. 具体推导ACF的过程,我就不给出了,我只给出一个重要的结论。仅仅从ACF上,我们无法区分ARMA(1,1)和AR(1)过程,因此,引入了PACF的概念。 当时间序列为移动平均过程的时候,ACF函数提供了对于依存关系的非常足够的信息,但是当序列为ARMA或者AR的时候,就不然了。因此,我们引入PACF。 我们考虑一个causal的AR(1)过程,($x_t=\theta x_{t-1}+w_t$) 则有自协方差函数为:
($x_t$)与($x_{t-2}$)的相关系数并不为0,因为二者经过($x_{t-1}$)有了联系。假设我们打断这条连接的链条,删掉($x_{t-1}的效应$)。我们得到如下的:
也就是说,我们只需要部分的自相关性。
下面给出一个比较正式的对于零均值的平稳时间序列的PACF的定义,令($\hat{x_{t+h}}$)是($x_{t+h}$)在$\{x_{t+h-1},.....,x_{t+1}\}($上的回归。我们写成下面这样: $)$\hat{x_{t+h}}=\beta_1x_{t+h-1}+\beta_2x_{t+h-2}+....+\beta_{h-1}x_{t+1}
($$ 不需要截距项(这里请读者自行思考) 同样,$\hat{x_t}$是在$\{x_{t+1},....,x_{t+h-1}\}$上的回归,写成下面的样子: $$)\hat{x_{t}}=\beta_1x_{t+1}+\beta_2x_{t+2}+....+\beta_{h-1}x_{t+h-1}$$(未完待续)
大刀对本书的所有笔记 · · · · · ·
-
第三章前两节
这一周实习很忙,连续加班,这本书也没怎么细看。周末酷热,不想学习,放羊两天,今天补点读...
-
第三章第三节
本来之后的这些数学推导比较多的章节想要略过的,因为之所以开始阅读这本书,也是为了要解决...
-
第三章第四节
-
第三章的一个例子
第三章的预测和估计这两节,涉及到数理统计的很多东西,到处是公式。而且逻辑安排和一般解决...
-
ARIMA模型的构建过程
这次只用一个例子,从头到尾看看整个构建过程。注重细节是重要的。 我们考虑1947年1月到2002...
说明 · · · · · ·
表示其中内容是对原文的摘抄