Professional Documents
Culture Documents
Dịch 2
Dịch 2
Hình 6.32 gợi ý rằng chúng tôi chỉ định một mô hình MA (1) cho sự khác biệt của nhật ký
giá dầu và Phụ lục 6.33 cho biết hãy xem xét mô hình AR (2) (bỏ qua một số
tăng đột biến ở độ trễ 15, 16 và 20). Chúng tôi sẽ muốn xem xét thêm tất cả các mô hình này khi
chúng tôi ước tính các thông số và thực hiện kiểm tra chẩn đoán trong Chương 7 và 8. (Chúng tôi sẽ thấy
sau đó để có được một mô hình phù hợp cho chuỗi giá dầu, các giá trị ngoại lệ trong chuỗi sẽ
cần phải được xử lý. (Bạn có thể phát hiện ra những điểm khác thường trong Phụ lục 5.4 trên trang 91 không?)
Hình 6.32 ACF mẫu về sự khác biệt của giá dầu đã khai thác
0,2
0,1
ACF
0,1
0,0
2 4 6 số 8 10 12 14 16 18 20 22
Lỗi
> acf (as.vector (diff (log (oil.price))), xaxp = c (0,22,11))
Hình 6.33 PACF mẫu về sự khác biệt của giá dầu đã khai thác
0,2
phần
một
ACF
0,1
0,1
0,0
2 4 6 số 8 10 12 14 16 18 20 22
Lỗi
> pacf (as.vector (diff (log (oil.price))), xaxp = c (0,22,11))
Machine Translated by Google
Trong chương này, chúng tôi đã xem xét vấn đề xác định các mô hình hợp lý nhưng đơn giản cho chuỗi
thời gian quan sát. Đặc biệt, chúng tôi đã nghiên cứu các công cụ để chọn thứ tự (p, d và q) cho
các mô hình ARIMA (p, d, q) . Ba công cụ, hàm tự tương quan mẫu, hàm tự tương quan từng phần mẫu
và hàm tự tương quan mở rộng mẫu, đã được giới thiệu và nghiên cứu để giúp thực hiện nhiệm vụ khó
khăn này. Phép thử đơn vị gốc Dickey-Fuller cũng được giới thiệu để giúp phân biệt giữa chuỗi ary
tĩnh và không có điểm. Những ý tưởng này đều được minh họa bằng cả chuỗi thời gian mô phỏng và
thực tế.
BÀI TẬP
6.1 Xác minh Công thức (6.1.3) trên trang 110 cho quá trình nhiễu trắng.
6.2 Xác minh Công thức (6.1.4) trên trang 110 cho quy trình AR (1).
6.3 Kiểm tra dòng trong Hình 6.1 trên trang 111, cho các giá trị φ = ± 0,9.
6.4 Thêm các mục mới vào Phụ lục 6.1 trên trang 111, cho các giá trị sau: (a) φ = ±
6.5 Xác minh Phương trình (6.1.9) trên trang 111 và Phương trình (6.1.10) cho MA (1) chuyên nghiệp
thuế.
6.6 Xác minh dòng trong Hình 6.2 trang 112, cho các giá trị θ = ± 0,9.
6.7 Thêm các mục mới vào Phụ lục 6.2 trên trang 112, cho các giá trị sau: (a) θ = ±
0,99. (b) θ = ± 0,8. (c) θ = ± 0,2.
6.8 Xác minh Công thức (6.1.11) trên trang 112, cho quy trình MA (q) chung .
6.9 Sử dụng Công thức (6.2.3) trên trang 113, để xác minh giá trị cho hàm quan hệ tự động lấy nét
từng phần độ trễ 2 cho quá trình MA (1) được cho trong Công thức (6.2.5) trên trang 114.
6.10 Chứng tỏ rằng biểu thức tổng quát cho hàm tự tương quan từng phần của quá trình MA (1) được
đưa ra trong Phương trình (6.2.6) trên trang 114, thỏa mãn đệ quy Yule-Walker cho trong
6.11 Sử dụng Công thức (6.2.8) trên trang 114, để tìm hàm tự tương quan từng phần (lý thuyết) cho
6.12 Từ chuỗi thời gian gồm 100 quan sát, chúng ta tính được r1 = 0,49, r2 = 0,31, r3 = 0,21,
r4 = 0,11, và | rk | <0,09 cho k > 4. Chỉ dựa trên cơ sở này, chúng ta dự kiến sẽ chỉ định
mô hình ARIMA nào cho chuỗi?
6.13 Chuỗi thời gian tĩnh có độ dài 121 tạo ra tự tương quan từng phần của mẫu là φ = 0,8, φ φ =
^ ^ ^ ^
0,6,
định
= 0,08
mô hình
và φnào
= 0,00.
cho loạt
Chỉ phim?
dựa trên thông tin 11 22 33 44 này, chúng ta dự kiến sẽ chỉ
6.14 Với một dãy số có độ dài 169, chúng ta thấy rằng r1 = 0,41, r2 = 0,32, r3 = 0,26, r4 = 0,21
và r5 = 0,16. Mô hình ARIMA nào phù hợp với mô hình tự tương quan này?
Machine Translated by Google
6.15 ACF mẫu cho một chuỗi và sự khác biệt đầu tiên của nó được đưa ra như sau
bàn. Ở đây n = 100.
Chỉ dựa trên thông tin này, chúng tôi sẽ xem xét (các) mô hình ARIMA nào cho
bộ truyện?
6.16 Đối với một chuỗi có độ dài 64, tự tương quan từng phần mẫu được đưa ra như sau:
Trễ 12345
PACF 0,47 0,34 0,20 0,02 0,06
Chúng ta nên xem xét những mô hình nào trong trường hợp này?
(a) Tìm hàm tự tương quan cho quá trình quan sát theo φ, σX
2,
và 2 .
σN
(b) Chúng tôi có thể chỉ định mô hình ARIMA nào cho {Yt }?
6.19 Biểu đồ thời gian của hai chuỗi được hiển thị bên dưới.
(a) Đối với mỗi chuỗi, mô tả r1 bằng cách sử dụng các thuật ngữ tích cực mạnh, hiện đại
hoàn toàn tích cực, gần bằng không, âm vừa phải hoặc tiêu cực mạnh. Bạn có
cần biết thang đo của dãy số để trả lời điều này?
• • • • •
• • •
• •
•
•
Dòng
A Dòng
B
•
• •
•
•• • •
• •
1 3 5 7 9 11 1 3 5 7 9 11
(d) Nếu phần mềm cho phép, hãy lặp lại mô phỏng chuỗi và tính toán r1
và r5 nhiều lần và tạo thành phân bố lấy mẫu của r1 và r5. Mô tả
độ chính xác của ước tính thay đổi như thế nào với các mẫu khác nhau được chọn trong
điều kiện giống hệt nhau. Phương sai mẫu lớn được đưa ra trong Phương trình (6.1.5)
trên trang 111, gần đúng như thế nào với phương sai trong phân phối lấy mẫu của bạn?
(a) Tính toán tự tương quan lý thuyết ở độ trễ 1 cho mô hình này.
(b) Tính toán tự tương quan mẫu ở độ trễ 1 và so sánh giá trị với
Giá trị lý thuyết. Sử dụng Hình 6.2 trên trang 112, để định lượng các phép so
sánh. (c) Lặp lại phần (b) với một mô phỏng mới. Mô tả độ chụm của vật liệu thử thay
đổi như thế nào với các mẫu khác nhau được chọn trong các điều kiện giống hệt nhau.
(d) Nếu phần mềm cho phép, hãy lặp lại mô phỏng chuỗi và tính toán r1
nhiều lần và tạo thành phân bố lấy mẫu của r1. Mô tả mức độ trước của ước tính thay
đổi như thế nào với các mẫu khác nhau được chọn theo các quan điểm giống hệt nhau.
Phương sai mẫu lớn đưa ra trong Hình 6.2 trên trang tốt như thế nào
112, gần đúng phương sai trong phân phối lấy mẫu của bạn?
6.22 Mô phỏng chuỗi thời gian AR (1) với n = 48, với
6.24 Mô phỏng chuỗi thời gian MA (1) với θ = 0,7, với (a) n =
với r1; (c) n = 120, và ước lượng ρ1 với r1. (d) Đối với
mỗi chuỗi trong phần (a), (b) và (c), hãy so sánh các giá
trị ước tính của ρ1 với giá trị lý thuyết. Sử dụng Hình 6.2 trên trang 112, để định lượng các
phép so sánh. Nói chung, hãy mô tả độ chính xác của ước tính thay đổi như thế nào theo cỡ
mẫu.
6.25 Mô phỏng chuỗi thời gian AR (1) có độ dài n = 36 với φ = 0,7. (a) Tính
toán và vẽ đồ thị hàm tự tương quan lý thuyết cho mô hình này. Vẽ các độ trễ vừa đủ cho đến
khi các mối tương quan là không đáng kể. (b) Tính toán và vẽ biểu đồ ACF mẫu cho chuỗi mô
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)? (c) Tự tương
quan từng phần trên lý thuyết cho mô hình này là gì? (d) Tính toán và vẽ biểu
đồ ACF mẫu cho chuỗi mô phỏng của bạn. Làm thế nào để các giá trị và mẫu khớp với ACF lý thuyết
từ phần (a)? Sử dụng sai số tiêu chuẩn mẫu lớn được báo cáo trong Phụ lục 6.1 trên trang
(e) Tính toán và vẽ biểu đồ PACF mẫu cho chuỗi mô phỏng của bạn. Làm thế nào để các giá trị và
mẫu khớp với ACF lý thuyết từ phần (c)? Sử dụng các lỗi tiêu chuẩn mẫu lớn được báo cáo
trên trang 115 để định lượng câu trả lời của bạn.
6.26 Mô phỏng chuỗi thời gian MA (1) có độ dài n = 48 với θ = 0,5. (a) Các lý
thuyết tự tương quan cho mô hình này là gì? (b) Tính toán và vẽ biểu
đồ ACF mẫu cho chuỗi mô phỏng của bạn. Làm tốt như thế nào
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)?
(c) Tính toán và vẽ đồ thị hàm tự tương quan từng phần lý thuyết cho mô hình này. Vẽ các độ
trễ vừa đủ cho đến khi các mối tương quan là không đáng kể. (Gợi ý: Xem Công thức (6.2.6)
trên trang 114.) (d) Tính toán và vẽ biểu đồ PACF mẫu cho chuỗi mô phỏng của bạn. Làm thế
nào để các giá trị và mẫu khớp với ACF lý thuyết từ phần (c)?
6.27 Mô phỏng chuỗi thời gian AR (2) có độ dài n = 72 với φ1 = 0,7 và φ2 = 0,4.
(a) Tính toán và vẽ đồ thị hàm tự tương quan lý thuyết cho mô hình này. Vẽ các độ trễ vừa đủ
cho đến khi các mối tương quan là không đáng kể. (b) Tính toán và vẽ biểu đồ ACF mẫu cho
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)? (c) Tự tương
quan từng phần trên lý thuyết cho mô hình này là gì? (d) Tính toán và vẽ biểu
đồ ACF mẫu cho chuỗi mô phỏng của bạn. Làm tốt như thế nào
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)?
(e) Tính toán và vẽ biểu đồ PACF mẫu cho chuỗi mô phỏng của bạn. Làm thế nào để các giá trị và
6.28 Mô phỏng chuỗi thời gian MA (2) có độ dài n = 36 với θ1 = 0,7 và θ2 = 0,4. (a)
Các lý thuyết tự tương quan cho mô hình này là gì? (b) Tính toán và vẽ biểu đồ
ACF mẫu cho chuỗi mô phỏng của bạn. Làm tốt như thế nào
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)?
(c) Tính toán và vẽ đồ thị hàm tự tương quan từng phần lý thuyết cho mô hình này. Vẽ
các độ trễ vừa đủ cho đến khi các mối tương quan là không đáng kể. (Gợi ý: Xem
Công thức (6.2.6) trên trang 114.) (d) Tính toán và vẽ biểu đồ PACF mẫu cho chuỗi
mô phỏng của bạn. Làm thế nào để các giá trị và mẫu khớp với ACF lý thuyết từ phần (c)?
6.29 Mô phỏng mô hình ARMA (1,1) hỗn hợp có độ dài n = 60 với φ = 0,4 và θ = 0,6.
(a) Tính toán và vẽ đồ thị hàm tự tương quan lý thuyết cho mô hình này. Vẽ các độ trễ
vừa đủ cho đến khi các mối tương quan là không đáng kể. (b) Tính toán và vẽ biểu
đồ ACF mẫu cho chuỗi mô phỏng của bạn. Làm tốt như thế nào
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)?
(c) Tính toán và giải thích EACF mẫu cho chuỗi này. EACF có trợ giúp không
bạn chỉ định các đơn đặt hàng chính xác cho mô hình?
(d) Lặp lại các phần (b) và (c) với một mô phỏng mới sử dụng cùng một tham số val
ues và kích thước mẫu. (e) Lặp lại các phần (b) và (c) với một mô phỏng mới sử
dụng cùng một tham số val
ues nhưng cỡ mẫu n = 36.
(f) Lặp lại các phần (b) và (c) với một mô phỏng mới sử dụng cùng một tham số val
ues nhưng cỡ mẫu n = 120.
6.30 Mô phỏng mô hình ARMA (1,1) hỗn hợp có độ dài n = 100 với φ = 0,8 và θ = 0,4. (a) Tính
toán và vẽ đồ thị hàm tự tương quan lý thuyết cho mô hình này. Vẽ các độ trễ vừa đủ
cho đến khi các mối tương quan là không đáng kể. (b) Tính toán và vẽ biểu đồ ACF
mẫu cho chuỗi mô phỏng của bạn. Làm tốt như thế nào
giá trị và mẫu phù hợp với ACF lý thuyết từ phần (a)?
(c) Tính toán và giải thích EACF mẫu cho chuỗi này. EACF có trợ giúp không
bạn chỉ định các đơn đặt hàng chính xác cho mô hình?
(d) Lặp lại các phần (b) và (c) với một mô phỏng mới sử dụng cùng một tham số val
ues và kích thước mẫu. (e) Lặp lại các phần (b) và (c) với một mô phỏng mới sử
dụng cùng một tham số val
ues nhưng cỡ mẫu n = 48.
(f) Lặp lại các phần (b) và (c) với một mô phỏng mới sử dụng cùng một tham số val
ues nhưng cỡ mẫu n = 200.
Machine Translated by Google
6.31 Mô phỏng chuỗi thời gian không tĩnh với n = 60 theo mô hình ARIMA (0,1,1) với θ = 0,8. (a) Thực
hiện kiểm tra Dickey-Fuller (tăng cường) trên chuỗi với k = 0 trong Phương trình (6.4.1) trên
trang 128. (Với k = 0, đây là kiểm tra Dickey-Fuller và không tăng thêm.) Nhận xét về kết quả.
(b) Thực hiện kiểm tra Dickey-Fuller tăng cường trên chuỗi với k được chọn bởi phần mềm —
nghĩa là, giá trị “tốt nhất” của k. Nhận xét về kết quả. (c) Lặp lại các phần (a) và (b)
nhưng sử dụng sự khác biệt của loạt mô phỏng. Com đề cập đến kết quả. (Tất nhiên, ở đây, bạn
nên bác bỏ giả thuyết gốc đơn vị sis.)
6.32 Mô phỏng chuỗi thời gian đứng yên có độ dài n = 36 theo mô hình AR (1) với φ = 0,95. Mô hình này
là cố định, nhưng chỉ gần như vậy. Với một chuỗi và một lịch sử ngắn như vậy, sẽ rất khó nếu
không muốn nói là không thể phân biệt giữa tĩnh và không cố định bằng một đơn vị gốc. (a) Vẽ
đồ thị của chuỗi và tính toán ACF và PACF mẫu và mô tả những gì bạn
hiểu.
(b) Thực hiện phép thử Dickey-Fuller (tăng cường) trên chuỗi với k = 0 trong Phương trình
(6.4.1) trên trang 128. (Với k = 0, đây là phép thử Dickey-Fuller và không được tăng thêm.)
về kết quả. (c) Thực hiện kiểm tra Dickey-Fuller tăng cường trên chuỗi với k được chọn bởi
phần mềm — nghĩa là, giá trị “tốt nhất” của k. Nhận xét về kết quả. (d) Lặp lại các phần (a),
(b) và (c) nhưng với một mô phỏng mới với n = 100.
6.33 Tệp dữ liệu có tên deere1 chứa 82 giá trị liên tiếp cho lượng sai lệch (tính bằng đơn vị 0,000025
inch) từ một giá trị mục tiêu xác định mà quy trình gia công công nghiệp tại Deere & Co. tạo
ra trong một số điều kiện hoạt động cụ thể. (a) Hiển thị cốt truyện chuỗi thời gian của loạt
phim này và nhận xét bất kỳ điểm bất thường nào. (b) Tính ACF mẫu cho chuỗi này và nhận xét kết
quả. (c) Bây giờ thay giá trị bất thường bằng một giá trị điển hình hơn nhiều và tính toán lại
ACF mẫu. Nhận xét về sự thay đổi so với những gì bạn đã thấy trong phần (b). (d) Tính PACF mẫu
dựa trên loạt sửa đổi mà bạn đã sử dụng trong phần (c). Bạn sẽ chỉ định mô hình nào cho loạt
bài đã sửa đổi? (Sau đó, chúng tôi sẽ điều tra các cách khác để xử lý các trường hợp ngoại
6.34 Tệp dữ liệu có tên deere2 chứa 102 giá trị liên tiếp cho lượng độ lệch (tính bằng đơn vị 0,0000025
inch) từ một giá trị mục tiêu được chỉ định mà một quy trình gia công công nghiệp khác tạo ra
tại Deere & Co. (a) Hiển thị biểu đồ chuỗi thời gian của chuỗi này và nhận xét về sự xuất hiện
của nó.
Một mô hình tĩnh có thích hợp không? (b) Hiển thị ACF và
PACF mẫu cho loạt phim này và chọn các đơn đặt hàng dự kiến cho một mô hình ARMA cho loạt phim.
Machine Translated by Google
6.35 Tệp dữ liệu có tên deere3 chứa 57 phép đo liên tiếp được ghi lại từ một máy công cụ
phức tạp của Deere & Co. Quá trình sử dụng một cơ chế điều khiển đặt lại một số
thông số của máy công cụ tùy thuộc vào mức độ sai lệch so với mục tiêu của mặt hàng
cuối cùng được sản xuất. (a) Hiển thị cốt truyện theo chuỗi thời gian của chuỗi này
và nhận xét về sự xuất hiện của nó.
Robot được thực hiện một chuỗi các thao tác và khoảng cách từ điểm kết thúc mong
muốn được ghi lại bằng inch. Điều này được lặp lại 324 lần để tạo thành chuỗi thời
gian. (a) Hiển thị biểu đồ chuỗi thời gian của dữ liệu. Dựa trên thông tin này,
những dữ liệu này dường như đến từ một quá trình tĩnh hay không cố định? (b) Tính
toán và vẽ đồ thị ACF và PACF mẫu cho các dữ liệu này. Dựa trên thông tin bổ
sung này, những dữ liệu này dường như đến từ một quá trình tĩnh hay không tĩnh? (c)
Tính toán và giải thích EACF mẫu. (d) Sử dụng cách tiếp cận ARMA tập hợp con
tốt nhất để chỉ định mô hình cho những dữ liệu này. Hãy ghép những kết quả này
với những gì bạn đã khám phá được trong các phần (a), (b) và (c).
6.37 Tính toán và giải thích EACF mẫu cho logarit của chuỗi lượng mưa Los Angeles. Dữ
liệu nằm trong tệp có tên larain. Kết quả có xác nhận rằng các bản ghi là nhiễu
trắng không?
6.38 Tính toán và giải thích EACF mẫu cho chuỗi thời gian thuộc tính màu. Dữ liệu nằm
trong tệp màu . EACF mẫu có đề xuất cùng một mô hình đã được chỉ định bằng cách
xem PACF mẫu không?
6.39 Tệp dữ liệu có tên ngày chứa dữ liệu kế toán từ Công ty Winegard của Bur lington,
Iowa. Dữ liệu là số ngày cho đến khi Winegard nhận được thanh toán cho 130 đơn đặt
hàng liên tiếp từ một nhà phân phối sản phẩm Winegard cụ thể.
(Tên của nhà phân phối phải được giấu tên vì lý do bảo mật.) (A) Vẽ biểu đồ chuỗi
thời gian và nhận xét về màn hình. Có bất kỳ val bất thường nào không
ues?
(b) Tính ACF và PACF mẫu cho chuỗi này. (c) Bây giờ thay
thế mỗi giá trị bất thường bằng giá trị 35 ngày — các giá trị điển hình hơn nhiều
— và lặp lại phép tính ACF và PACF mẫu.
Bạn sẽ chỉ định mô hình ARMA nào cho loạt bài này sau khi loại bỏ các lớp lót bên ngoài?
(Sau đó, chúng tôi sẽ điều tra các cách khác để xử lý các trường hợp ngoại lệ trong mô hình
CHƯƠNG 7
DỰ TOÁN THÔNG SỐ
Chương này đề cập đến vấn đề ước lượng các tham số của mô hình ARIMA
dựa trên chuỗi thời gian quan sát Y1, Y2,…, Yn. Chúng tôi giả định rằng một mô hình đã
đã được chỉ định; nghĩa là, chúng tôi đã chỉ định các giá trị cho p, d và q bằng cách sử dụng các phương pháp của
Chương 6. Liên quan đến tính không ổn định, vì sự khác biệt thứ d của chuỗi quan sát
được giả định là một quá trình ARMA (p, q) cố định , chúng ta chỉ cần quan tâm đến
vấn đề ước lượng các tham số trong các mô hình tĩnh như vậy. Trong thực tế, sau đó chúng tôi
coi sự khác biệt thứ d của chuỗi thời gian gốc là chuỗi thời gian mà từ đó chúng tôi ước
tính các tham số của mô hình hoàn chỉnh. Để đơn giản, chúng ta sẽ để Y1, Y2,…, Yn
biểu thị quá trình tĩnh được quan sát của chúng tôi mặc dù nó có thể là một sự khác biệt thích hợp
của loạt phim gốc. Đầu tiên chúng ta thảo luận về phương pháp ước tính khoảnh khắc, sau đó là
công cụ ước lượng bình phương và cuối cùng là công cụ ước tính khả năng xảy ra tối đa đầy đủ.
Phương pháp thời điểm thường là một trong những phương pháp dễ dàng nhất, nếu không phải
là hiệu quả nhất, để có được các ước tính tham số. Phương pháp bao gồm cân bằng mẫu
mô men đến mô men lý thuyết tương ứng và giải các phương trình kết quả để
có được ước tính của bất kỳ thông số nào chưa biết. Ví dụ đơn giản nhất của phương pháp là
ước tính giá trị trung bình của quá trình tĩnh bằng giá trị trung bình của mẫu. Các thuộc tính của công cụ ước tính này
Đầu tiên hãy xem xét trường hợp AR (1). Đối với quá trình này, chúng ta có mối quan hệ đơn giản ρ1 = φ.
Trong phương pháp mô men, ρ1 tương đương với r1, độ trễ 1 tự tương quan mẫu. Như vậy
chúng ta có thể ước tính φ bằng
^
φ r1 = (7.1.1)
Bây giờ hãy xem xét trường hợp AR (2). Mối quan hệ giữa các tham số φ1 và φ2
và các khoảnh khắc khác nhau được đưa ra bởi các phương trình Yule-Walker (4.3.13) trên trang 72:
ρ1 =φ1 ρ1φ2
+ và ρ2 = +
ρ1φ1 φ2
= + = +
r1 φ1 r1φ2 và r2 r1φ1 φ2
149
Machine Translated by Google
2
^ ^ r2 -r1
( r1 r2 1 ) -
φ 1 = -----------------------
2 và φ
2 2
--------------- =
(7.1.2)
- -
1 r1 1 r1
Trường hợp AR (p) chung cũng tiến hành tương tự. Thay thế ρk bằng rk trong suốt
Phương trình Yule-Walker trên trang 79 (hoặc trang 114) để lấy
φ1 + r1φ2 + + +… + rp 1– φp r1 =
r2φ3
r1φ1 + φ2 + r1φ3 + +… + rp 2– φp r2 =
. (7.1.3)
.
.
rp 1– φ1 + rp 2– φ2 + rp 3– φ3 + +… φp
rp =
^ ^
Các phương trình tuyến tính này sau đó được giải cho φ φ 2 … φ ^P . Durbin-Levinson tái diễn
1 ,,,
sion của Phương trình (6.2.9) trên trang 115 cung cấp một phương pháp giải thuận tiện nhưng là
phải chịu các sai số đáng kể nếu giải pháp gần với ranh giới của vùng điểm trung
bình. Các ước tính thu được theo cách này còn được gọi là các bạn tình Yule-Walker
esti.
Đáng ngạc nhiên là phương pháp thời điểm gần như không thuận tiện khi áp dụng cho mô hình
trung bình mov ing. Hãy xem xét trường hợp MA (1) đơn giản. Từ phương trình (4.2.2) trở đi
trang 57, chúng tôi biết rằng
θ
ρ1 --------------– =
1 θ2 +
Cân bằng ρ1 với r1, chúng ta được dẫn đến giải một phương trình bậc hai trong θ. Nếu | r1 | <0,5, sau đó hai
1 1
-------– ± -------- 1 -
2
2r1 4r1
Có thể dễ dàng kiểm tra, tích của hai dung dịch luôn bằng 1; trước đó, chỉ một
trong các nghiệm thỏa mãn điều kiện khả nghịch | θ | <1.
Sau khi thao tác thêm đại số, chúng ta thấy rằng nghiệm nghịch đảo có thể được ghi
mười là
2 ^ - 14 1 r1
- +
θ = -----------------------------------
(7.1.4)
2r1
Nếu r1 = ± 0,5, nghĩa là tồn tại các nghiệm thực, duy nhất,
+ 1 nhưng không khả nghịch. Nếu | r1 | > 0,5
(điều này chắc chắn có thể xảy ra ngay cả khi | ρ1 | <0,5), không có nghiệm thực sự tồn tại, và do đó
phương pháp mô men không mang lại ước lượng là θ. Tất nhiên, nếu | r1 | > 0,5,
mức độ cụ thể của mô hình MA (1) sẽ bị nghi ngờ đáng kể.
Machine Translated by Google
Đối với các mô hình MA bậc cao, phương pháp thời điểm nhanh chóng trở nên phức tạp.
Chúng ta có thể sử dụng Công thức (4.2.5) ở trang 65 và thay thế ρk bằng rk cho k = 1, 2,…, q, để
thu được q phương trình với q ẩn số θ1, θ2, ..., θq. Tuy nhiên, các phương trình kết quả
là rất phi tuyến tính trong θ's, và nghiệm của chúng cần thiết là số. Ngoài ra, sẽ có nhiều
giải pháp, trong đó chỉ có một giải pháp là không thể đảo ngược. Chúng tôi sẽ không
theo đuổi điều này hơn nữa vì chúng ta sẽ thấy trong Phần 7.4 rằng, đối với các mô hình MA, phương pháp
Chúng tôi chỉ xem xét trường hợp ARMA (1,1). Gọi lại Công thức (4.4.5) trên trang 78,
= (1 - θφ () φ θ) -
-------------------------------------
cho k ≥ 1
ρk
φk 1– 1 2 - θφ θ2 +
r2
^ ˆ
= ----
φ (7.1.5)
r1
Sau khi làm như vậy, chúng ta có thể sử dụng
1 ^)
θφ φ - ^ () - θ
= -------------------------------------
(7.1.6)
r1
(1 2θφ ^ - θ2 +
^
θ
để giải quyết cho. Một lần nữa lưu ý rằng phương trình bậc hai phải được giải và chỉ có nghiệm
2 . Trong
Tham số cuối cùng được ước tính là phương sai tiếng ồn, σe mọi trường hợp, trước hết chúng ta có thể
ước tính phương sai quá trình, γ0 = Var (Yt ), bằng phương sai mẫu
1 N _
----------- 2 (7.1.7)
s2 = ( Yt )Y -
n 1–
t 1 =
2,
và sử dụng các mối quan hệ đã biết từ Chương 4 giữa γ0, σe và θ's và φ's để esti
2.
giao phối
σe
Đối với mô hình AR (p) , Công thức (4.3.31) trên trang 77 cho kết quả
^ ^ ^
2 = -
σ ^
s2 )
(11r1
φ - 2r2
φ - prp
-… φ (7.1.8)
e
Đối với trường hợp MA (q) , chúng ta có, sử dụng Công thức (4.2.4) ở trang 65,
2 s2
σ ^
^ ^ ^
= ------------------------------------------------- -
(7.1.9)
e
1 θ 21θ 2
2 ++++ … Θ
2 q
Machine Translated by Google
Đối với quy trình ARMA (1,1), Công thức (4.4.4) trên trang 78 cho kết quả
2 - ^
2 1 φ
e
σ ^ ^
------------------------------ s2 = (7.1.10)
-
^ 2 1 2φ ^ θ+ θ
Ví dụ số
Bảng trong Hình 7.1 hiển thị các ước tính theo phương pháp khoảnh khắc cho các tham số từ
một số chuỗi thời gian mô phỏng. Nói chung, các ước tính cho tất cả các mô hình tự
động trả lời là khá tốt nhưng ước tính cho các mô hình trung bình động thì không
có thể chấp nhận được. Có thể chứng minh rằng lý thuyết xác nhận quan sát này — phương pháp của khoảnh khắc
các công cụ ước tính rất kém hiệu quả đối với các mô hình có chứa các số hạng trung bình động.
Hình 7.1 Ước tính tham số phương pháp của khoảnh khắc cho mô phỏng
Loạt
Người mẫu
θ φ1 φ2 θ φ1 φ2 N
MA (1) 0,9 NA † 60
† Không có phương pháp ước lượng mô-men nào tồn tại vì r1 = 0,544 cho mô phỏng này.
Bây giờ hãy xem xét một số chuỗi thời gian thực tế. Chúng tôi bắt đầu với sự phong phú của thỏ Canada
loạt. Vì chúng tôi đã tìm thấy trong Hình 6.27 ở trang 136 rằng một phép biến đổi căn bậc hai là
thích hợp ở đây, chúng tôi dựa trên tất cả các mô hình dựa trên căn bậc hai của mức độ phong phú ban đầu
những con số. Chúng tôi minh họa ước tính của mô hình AR (2) với dữ liệu thỏ rừng, thậm chí
Machine Translated by Google
mặc dù sau này chúng tôi sẽ chỉ ra rằng mô hình AR (3) cung cấp sự phù hợp hơn với dữ liệu. Người đầu tiên
hai phép tự tương quan mẫu được hiển thị trong Hình 6.28 trên trang 137 là r1 = 0,736 và r2
= 0,304. Sử dụng Công thức (7.1.2), các ước lượng theo phương pháp khoảnh khắc của φ1 và φ2 là
^ ( r1 r2
1 ) - -
== =----------------------- 0,736 1 0,304 ()
---------------------------------------- 1.1178
φ1 2 (7.1.11)
- -
1 r1 2 1 0,736 ()
và
2
^ r2 -r1 -
2 0,304 0,736 ()
φ2 == =---------------
----------------------------------------
2 0,519 - (7.1.12)
- -
1 r1 2 1 0,736 ()
Giá trị trung bình mẫu và phương sai của chuỗi này (sau khi lấy căn bậc hai) được tìm thấy là
lần lượt là 5,82 và 5,88. Sau đó, sử dụng Công thức (7.1.8), chúng tôi ước tính sự thay đổi của tiếng ồn
ance as
^ ^
= (1 φ -
φ ) 2r2 s2
σ ^ e 2
1r1 -
= 1,97
= Yt 1– Yt
) (- - 5,82
2– 5,82
) - 0,519et + (7.1.14)
Yt - 1,1178 5,82 (
hoặc
=
Yt 2,335 + Yt 1–
1,1178 - 0,519 Yt 2– + et (7.1.15)
Bây giờ hãy xem xét chuỗi giá dầu. Hình 6.32 trên trang 140 gợi ý rằng chúng tôi
chỉ định ify một mô hình MA (1) cho sự khác biệt đầu tiên của logarit của chuỗi. Độ trễ 1
tự tương quan mẫu trong phần trình bày đó là 0,212, vì vậy ước tính theo phương pháp mô men của θ
Là
^ - 1 ) 2 1
θ = - 4
+ 0,212
( 0,222 -
= ------------------------------------------------- -
(7.1.16)
2 0,212 ()
Trung bình của sự khác biệt của các bản ghi là 0,004 và phương sai là 0,0072. Mô hình
giao phối esti là
= 0,004 + et
+ 0,222et 1– (7.1.17)
Yt ()
log
hoặc
= Yt 1–
() nhật ký
+ 0,004
++ et 0,222et 1– (7.1.18)
Nhật ký Yt ()
s2
0,0072
(7.1.19)
--------------
σ ^ e 2 == = --------------------------------- 0,00686
-
1 +
θ ^ 2 1 + 2 0,222 ()
Machine Translated by Google
Sử dụng Công thức (3.2.3) trên trang 28 với các tham số ước tính sẽ dẫn đến sai số chuẩn là
giá trị trung bình của mẫu là 0,0060. Do đó, giá trị trung bình mẫu quan sát được là 0,004
không hẳn là khác 0 đáng kể và chúng tôi sẽ loại bỏ số hạng không đổi khỏi mô hình, đưa ra
mô hình cuối cùng là
= + + (7.1.20)
Nhật ký Yt () log () và 0,222et 1– Yt 1–
Bởi vì phương pháp thời điểm không đạt yêu cầu đối với nhiều mô hình, chúng ta phải xem xét
các phương pháp ước lượng khác. Chúng tôi bắt đầu với hình vuông nhỏ nhất. Đối với các mô hình tự động phục hồi,
những ý tưởng khá đơn giản. Tại thời điểm này, chúng tôi giới thiệu một nghĩa có thể khác,
μ, vào các mô hình tĩnh của chúng tôi và coi nó như một tham số khác để ước tính ít nhất
hình vuông.
Hãy xem xét trường hợp đơn đặt hàng đầu tiên, nơi
= + (7.2.1)
Yt - μ φ Yt 1–() - μ et
Chúng ta có thể xem đây là một mô hình hồi quy với biến dự báo Yt - 1 và biến phản hồi có thể
Yt . Ước tính bình phương nhỏ nhất sau đó tiến hành bằng cách giảm thiểu tổng bình phương của
sự khác biệt
Yt () φ - -μ () Yt
- μ1–
Vì chỉ quan sát được Y1, Y2,…, Yn nên chúng ta chỉ có thể tính tổng từ t = 2 đến t = n. Để cho
N
2
Sc ( ) φ μ, = [Yt () φ - -μ ( Yt 1– ) - μ] (7.2.2)
t 2 =
Đây thường được gọi là hàm tổng bình phương có điều kiện. (Lý do cho
thuật ngữ có điều kiện sẽ trở nên rõ ràng sau này.) Theo nguyên tắc ít nhất
bình phương, chúng tôi ước tính φ và μ bằng các giá trị tương ứng mà tối thiểu hóa Sc (φ, μ) cho
giá trị quan sát của Y1, Y2,…, Yn.
Xét phương trình Sc . Chúng ta có
μ ⁄ 0 =
N
= = 0
2 [Yt () φ - -μ ( Yt 1– ])
() -1–μ + φ
Sc μ t 2 =
N N
1
μ
= ---------------------------------
() n 1– (1 - φ)
Yt φ Yt- 1– (7.2.3)
t 2 = t 2 =
Machine Translated by Google
1
N
1
N _
-----------
≈ -----------
≈
n 1–
Yt n 1– 1– YtY
t 2 = t 2 =
Do đó, bất kể giá trị của φ là bao nhiêu, Công thức (7.2.3) giảm xuống
1 _ _ _
μ ^ (
----------- Y
) φY
- = Y (7.2.4)
≈ 1 - φ
_
Đôi khi chúng tôi nói, ngoại trừ hiệu ứng μ ^=_ Y .
Bây giờ hãy xem xét việc giảm thiểu
cuối,( Sc
),φ Yđối với φ. Chúng ta có
_
N _ _ _
Sc( φ ,Y
2 [Yt
() Yφ - - ( Y Y
Yt 1– ) -] ( Yt 1– ) -
----------------------
) =
φ t 2 =
N _ _
( 1– ) -Y
(Yt )Y - Yt
^ t 2 =
φ = ------------------------------------------------- -------
N _
2
(Yt 1– ) Y
-
t 2 =
_
2
Ngoại trừ một số hạng bị thiếu ở mẫu số, đó là Yn Y () - , cái này giống với
r1. Số hạng còn thiếu duy nhất là không đáng kể đối với các quá trình tĩnh, và do đó ít nhất
bình phương và phương pháp ước tính mô-men gần giống hệt nhau, đặc biệt là đối với
mẫu.
Đối với quy trình AR (p) chung , các phương pháp được sử dụng để có được Công thức (7.2.3) và
(7.2.4) có thể dễ dàng được mở rộng để mang lại cùng một kết quả, cụ thể là
_
μ ^= Y (7.2.5)
_ N _ _ _
2
, Y,
Sc (φ1 φ2 ) = [() φ21–Yt 2–Y ) -]
Ytφ Y- - -()- 1( Yt Y (7.2.6)
t 3 =
⁄ 0 = ,
Cài đặt Sc chúng ta có
φ1
N _ _ _ _
- 2 = 0
YtφY- - ( 1 Yt 1– ) -Y - ( Yt
[() φ2 2– Y (
) -] Y
Yt 1– ) - (7.2.7)
t 3 =
N _ _ N _
= 2
(Yt ) Y- Yt( 1– ) Y- (Yt Y
1– ) - φ1
t 3 = t 3 =
(7.2.8)
N _ _
+ (Yt Y( 2–
1– ) - Yt ) Y- φ2
t 3 =
N _ _
Tổng các sản phẩm bị tụt hậu (Yt) Y- Yt( 1– ) Y
- gần như là tử số của
t 3 = _ _
r1 — chúng tôi đang thiếu một sản phẩm, ) - . Một
(Y2 )Y - (Y1 Y tình huống tương tự cũng tồn tại đối với
N
_ _ _ _
(Yt Y
1– ) - ( Yt 2– ) Y- ,nhưng ở đây chúng ta đang thiếu ( Yn )Y - ( Yn 1– ) Y- .Nếu chúng ta chia
t 3 = N _
2
cả hai vế của Phương trình (7.2.8) bằng ()
Yt -Y , sau đó, ngoại trừ các hiệu ứng cuối,
t 3 =
không đáng kể theo giả định ổn định, chúng tôi thu được
r1 φ1 r1φ2 + = (7.2.9)
r2 r1φ1 φ2 + = (7.2.10)
Nhưng các phương trình (7.2.9) và (7.2.10) chỉ là các phương trình Yule-Walker mẫu cho một
Mô hình AR (2).
Các kết quả hoàn toàn tương tự tuân theo đối với trường hợp AR (p) tĩnh nói chung :
xấp xỉ tuyệt vời, ước lượng bình phương nhỏ nhất có điều kiện của φ thu được
bằng cách giải các phương trình Yule-Walker mẫu (7.1.3). †
Bây giờ hãy xem xét ước lượng bình phương nhỏ nhất của θ trong mô hình MA (1):
- =
Yt et θet 1– (7.2.11)
Thoạt nhìn, không rõ là phương pháp hồi quy hoặc bình phương nhỏ nhất có thể như thế nào
áp dụng cho các mô hình như vậy. Tuy nhiên, hãy nhớ lại từ Công thức (4.4.2) trên trang 77 rằng các mô
= - - –– +
Yt θYt 1– θ2Yt 2– θ3Yt 3– … Et
một mô hình tự phục hồi nhưng có thứ tự vô hạn. Vì vậy, bình phương nhỏ nhất có thể có ý nghĩa
được thực hiện bằng cách chọn một giá trị θ giảm thiểu
† Chúng tôi lưu ý rằng Lai và Wei (1983) đã thiết lập rằng các ước lượng bình phương nhỏ nhất có điều kiện
nhất quán ngay cả đối với các mô hình tự động hồi quy không cố định trong đó các mã số Yule-Walker
không áp dụng.
Machine Translated by Google
= = …
Sc ( ) θ et () 2 [ Yt ++ +
θYt 1– θ2Yt 2–
θ3Y + t 3– 2 ] (7.2.12)
trong đó, rõ ràng, et = et (θ) là một hàm của chuỗi quan sát và tham số eter θ
chưa biết.
Rõ ràng từ Công thức (7.2.12) rằng bài toán bình phương nhỏ nhất là phi tuyến tính trong
thông số. Chúng ta sẽ không thể giảm thiểu Sc (θ) bằng cách lấy đạo hàm đối với
θ, đặt nó thành 0 và giải quyết. Do đó, ngay cả đối với mô hình MA (1) đơn giản, chúng ta phải sử dụng
đến các kỹ thuật tối ưu hóa số. Các vấn đề khác tồn tại trong trường hợp này: Chúng tôi không
chỉ ra các giới hạn rõ ràng về tổng kết trong Công thức (7.2.12) cũng như chúng tôi chưa cho biết cách
chỉ Y mà chúng tôi có sẵn là chuỗi quan sát của chúng tôi, Y1, Y2,…, Yn. Viết lại phương trình
(7.2.11) như
et
+ =Yt θet 1– (7.2.13)
Sử dụng phương trình này, e1, e2,…, en có thể được tính toán đệ quy nếu chúng ta có
giá trị e0. Một phép gần đúng phổ biến là đặt e0 = 0 — giá trị kỳ vọng của nó. Sau đó, điều chỉnh
e1 Y1 =
e2 Y2 θe1 + =
e3 Y3 θe2 + = (7.2.14)
.
.
.
en + =Yn θen 1–
=
2 ,có điều kiện về e0 = 0, với giá trị nhất định duy nhất đó là
và do đó tính toán
Sc ( ) θ et ()
θ.
Đối với trường hợp đơn giản của một tham số, chúng tôi có thể thực hiện tìm kiếm lưới trên
khoảng nghịch đảo ( 1, + 1) để θ tìm tổng bình phương nhỏ nhất. Để biết thêm tổng quát
Mô hình MA (q) , một thuật toán tối ưu hóa số, chẳng hạn như Gauss-Newton hoặc Nelder
Mead, sẽ là cần thiết.
Đối với các mô hình đường trung bình động bậc cao hơn, các ý tưởng là tương tự và không có điểm khác biệt mới
đỉnh điểm phát sinh. Chúng tôi tính toán et = et (θ1, θ2,…, θq) một cách đệ quy từ
= + + ++ (7.2.15)
et Yt θ1et 1– θ2et 2– … Qet q -
…
với e0 = e 1 = = q = 0. Tổng các bình phương được tối thiểu hóa cùng nhau trong θ1, θ2,…, θq
e sử dụng phương pháp số đa biến.
- + =
Yt φYt 1– et θet 1– (7.2.16)
Machine Translated by Google
2.
Như trong trường hợp MA thuần túy, chúng ta coi et = et (φ, θ) và muốn tối thiểu hóa Sc ( ) φ θ, = et
= - + θet 1– (7.2.17)
et Yt φYt 1–
là bắt đầu đệ quy tại t = 2, do đó hoàn toàn tránh được Y0 và đơn giản là giảm thiểu
N
2
Sc ( ) φ θ, = et
t 2 =
Đối với mô hình ARMA (p, q) chung , chúng tôi tính toán
= - - -
et Yt φ1Yt 1– φ2Yt 2– -… φpYt p -
(7.2.18)
+ + ++
θ1et 1– θ2et 2– … θqet q -
…
với ep = ep - 1 = 0= và
= ep
sau+ đó
1 - q nhỏ Sc (φ1, φ2,…, φp, θ1, θ2,…, θq)
thu
bằng số để có được ước lượng bình phương nhỏ nhất có điều kiện của tất cả các tham số.
Đối với các bộ tham số θ1, θ2,…, θq tương ứng với các mô hình khả nghịch, giá trị
ues ep, ep - 1,…, ep + 1 khởi động sẽ có rất ít ảnh hưởng đến các ước tính cuối cùng của
- q tham số cho các mẫu lớn.
7.3 Khả năng xảy ra tối đa và bình phương ít nhất vô điều kiện
Đối với chuỗi có độ dài vừa phải và các mô hình theo mùa ngẫu nhiên sẽ được thảo luận trong
…
Chương 10, các giá trị khởi động ep = ep - 1 = 0hơn
sẽ đối
có ảnh
vớihưởng danh
các ước từ pro
lượng = cùng
cuối = ep cho
+ 1 các
- q
tham số. Vì vậy, chúng tôi được dẫn đến việc xem xét
vấn đề khó hơn về ước tính khả năng xảy ra tối đa.
Ưu điểm của phương pháp có khả năng xảy ra tối đa là tất cả các thông tin
trong dữ liệu được sử dụng thay vì chỉ những khoảnh khắc đầu tiên và thứ hai, như trường hợp ít nhất
hình vuông. Một ưu điểm khác là nhiều kết quả mẫu lớn được biết đến dưới
điều kiện chung. Một điều bất lợi là lần đầu tiên chúng ta phải làm việc cụ thể
với hàm mật độ xác suất chung của quá trình.
Đối với bất kỳ tập hợp quan sát nào, Y1, Y2,…, Yn, chuỗi thời gian hay không, hàm khả năng L là
được định nghĩa là mật độ xác suất chung của việc thu được dữ liệu thực sự được
quan sát. Đã bao giờ, nó được coi là một hàm của các tham số chưa biết trong mô hình với
dữ liệu quan sát được giữ cố định. Đối với các mô hình ARIMA, L sẽ là một hàm của φ's, θ's, μ, và
2
σe đưa ra các quan sát Y1, Y2,…, Yn. Các công cụ ước tính khả năng xảy ra tối đa sau đó là
được định nghĩa là các giá trị của các tham số mà dữ liệu thực sự quan sát được nhiều nhất
có thể, nghĩa là, các giá trị tối đa hóa hàm khả năng.
Chúng ta bắt đầu bằng cách xem xét chi tiết mô hình AR (1). Giả định phổ biến nhất là
rằng các thuật ngữ nhiễu trắng là các biến ngẫu nhiên độc lập, được phân phối bình thường với
Machine Translated by Google
7.3 Khả năng xảy ra tối đa và bình phương ít nhất vô điều kiện 159
không có nghĩa và độ lệch chuẩn chung σe .Hàm mật độ xác suất (pdf)
của mỗi et sau đó là
2
2 et
(2πσe
1 2 / - )
N
2 ) n 1– ⁄ 1 2
) - ( 2 exp ---------
et
(2πσe 2
- (7.3.1)
2σe t 2 =
= () - μ e2
Y2 - μ φ Y1 +
= () - μ e3
Y3 - μ φ Y2 +
. (7.3.2)
.
.
= 1–() - μ en +
Yn - μ φ Yn
Nếu chúng ta điều kiện Y1 = y1, Công thức (7.3.2) xác định một phép biến đổi tuyến tính giữa e2,
e3,…, en và Y2, Y3,…, Yn (với Jacobian bằng 1). Do đó, pdf chung của Y2, Y3,…, Yn
cho trước Y1 = y1 có thể nhận được bằng cách sử dụng Công thức (7.3.2) để thay thế cho e theo
của Y trong Công thức (7.3.1). Vì vậy, chúng tôi nhận được
2 ) n 1– ⁄ 2
= ) - (
( f y2
y1 y3
) ,,,
… yn | (2πσe
N
1 2 (7.3.3)
× exp [ yt () φ --μ() -
2 μ]
= yt 1– t
---------
2
-
2σe
Bây giờ hãy xem xét phân phối (cận biên) của Y1. Sau khi gửi trả lời quá trình tuyến tính
của quá trình AR (1) (Phương trình (4.3.8) trên trang 70) rằng Y1 sẽ có giá trị bình thường
2 σe
phối 1 φ2 với trung bình μ và phương sai ⁄ ()Phân
- . Nhân pdf có điều kiện trong
Phương trình (7.3.3) theo pdf biên của Y1 cho chúng ta pdf chung của
2
Y1, Y2,…, Yn mà chúng ta
yêu cầu. Được diễn giải dưới dạng hàm của các tham số φ,σeμ ,và hàm khả năng
cho một mô hình AR (1) được đưa ra bởi
2 2 1
, ,
L (φμσe ) = (2πσe 2 / ⁄ )2 –n
1 φ2
) -( 1
exp –---------2 S ( ) φ μ, (7.3.4)
2σe
ở đâu
N
2
= [Yt () φ μ 1 φ2
() - ( Y1 (7.3.5)
S () φ μ, - - (Yt 1– ) - μ] + t 2
) - μ
=
Hàm S (φ, μ) được gọi là hàm tổng bình phương không điều kiện.
Theo quy tắc chung, logarit của hàm khả năng sẽ thuận tiện hơn để
Machine Translated by Google
làm việc với khả năng của chính nó. Đối với trường hợp AR (1), hàm khả năng ghi nhật ký,
biểu thị , , 2 ) , được đưa ra bởi
(l φμσe
2 =
N N
- -1 1
, ,
(l φμσe ) 2 - 1 φ2 log
- () (7.3.6)
2 --log () 2π
σe 2- log () - --------- S ( ) φ μ,
+ 2 2
2σe
, φμσe
, 2
Đối với các giá trị đã cho của φ vàμ, (l ) có thể được phân tích tối đa về mặt phân tích
2
để σe xét về các công cụ ước lượng chưa được xác định của φ và μ. Chúng tôi đạt được
^
2 S μφ ^),(
---------------- =
σ ^
(7.3.7)
e N
Như trong nhiều ngữ cảnh tương tự khác, chúng ta thường chia cho n - 2 hơn là n (vì chúng ta
ước lượng hai tham số, φ và μ) để có được công cụ ước lượng có độ chệch ít hơn. Đối với điển hình
kích thước mẫu chuỗi thời gian, sẽ có rất ít sự khác biệt.
Bây giờ hãy xem xét ước lượng của φ và μ. Một so sánh của vô điều kiện
hàm tổng bình phương S (φ, μ) với hàm tổng bình phương có điều kiện trước đó
Sc (φ, μ) của Công thức (7.2.2) trên trang 154, cho thấy một điểm khác biệt đơn giản:
= + 1 φ2 2 (7.3.8)
S () φ μ, Sc ( ) φ μ, - () Y1 () - μ
2
(Vì Sc (φ, μ) liên quan đến tổng của n - 1 thành phần, trong khi đó) 1 φ2
Y1
- () - μ thì không
liên quan đến n, chúng ta sẽ có S () φ μ, Sc ≈ () φ μ, . Do đó giá trị của φ và μ nhỏ nhất
S (φ, μ) hoặc Sc (φ, μ) phải rất giống nhau, ít nhất là đối với các cỡ mẫu lớn hơn. Ảnh hưởng của
số hạng ngoài cùng bên phải trong Công thức (7.3.8) sẽ quan trọng hơn khi giá trị nhỏ nhất của φ
xảy ra gần ranh giới đứng yên của ± 1.
Như một sự thỏa hiệp giữa ước lượng bình phương nhỏ nhất có điều kiện và ước tính hood likeli tối
đa đầy đủ, chúng ta có thể cân nhắc việc thu được ước tính bình phương nhỏ nhất không điều kiện; cái đó
2
1 φ2
(là, ước tính tối thiểu hóa S (φ, μ). Thật không may, thuật ngữ) -()Y1- μ gây ra
phương trình và
μ S φ⁄ 0
S = ⁄ 0 = trở thành phi tuyến tính trong φ và μ, và đại
diện cho một số hạng không đổi θ0 = μ (1 - φ) không cải thiện được tình hình về cơ bản. Như vậy
tối thiểu hóa phải được thực hiện bằng số. Các ước lượng kết quả được gọi là ước lượng bình
phương nhỏ nhất không phân số.
Việc suy ra hàm khả năng cho các mô hình ARMA tổng quát hơn có liên quan nhiều hơn. Một
dẫn xuất có thể được tìm thấy trong Phụ lục H: Không gian trạng thái
Các mô hình ở trang 222. Chúng tôi giới thiệu người đọc đến Brockwell và Davis (1991) hoặc Shumway
và Stoffer (2006) để biết thêm chi tiết.
Các thuộc tính mẫu lớn của khả năng xảy ra tối đa và bình phương nhỏ nhất (có điều kiện
hoặc vô điều kiện) các công cụ ước lượng giống hệt nhau và có thể thu được bằng cách sửa đổi tiêu chuẩn
lý thuyết khả năng xảy ra tối đa. Thông tin chi tiết có thể được tìm thấy trong Shumway và Stoffer (2006, pp.
125–129). Chúng ta sẽ xem xét các kết quả và ý nghĩa của chúng đối với các mô hình ARMA đơn giản.
Machine Translated by Google
Đối với n lớn, các ước lượng xấp xỉ không chệch và phân phối chuẩn.
Các phương sai và tương quan như sau:
1 φ2 -
AR (1): Var φ ^ ()
≈ --------------
(7.4,9)
N
-
2
^ ^ 1 φ2
φ ) ≈Var φ () 2
Var ( ≈ --------------
N
AR (2): 1 (7.4.10)
^ ^ φ1
( 1, φ 2) ≈ - =
–--------------
Corr φ ρ 1
1 φ2 -
1 θ2 -
MA (1): Var θ ^ ()
≈ --------------
(7.4.11)
N
-
2
^ ^ 1 θ2
Var () ≈ θ
θ Var ( 2 ) ≈ --------------
N
MA (2): 1 (7.4.12)
^ ^ θ1
( 1, θ 2) ≈
Corr θ –--------------
1 θ2 -
2
≈ 1 φ2 -
-------------- 1 - φθ
---------------
Var φ ^ ()
N φ θ -
2
1 θ2 - 1 - φθ
ARMA (1,1): () Var θ ^
≈ -------------- ---------------
(7.4.13)
N φ θ -
^ ^ 1 φ2
-) (1
- θ2 ()
Corr φ
( ),θ ≈ -------------------------------------------
1 - φθ
Lưu ý rằng, trong trường hợp AR (1), phương sai của công cụ ước lượng của φ giảm khi φ
phương pháp tiếp cận ± 1. Cũng lưu ý rằng mặc dù mô hình AR (1) là một trường hợp đặc biệt của
^
Mô hình AR (2), phương sai được hiểnφ thị
1 trong Công thức (7.4.10) cho thấy rằng ước tính của chúng tôi
của φ1 thường sẽ bị ảnh hưởng nếu chúng ta điều chỉnh sai mô hình AR (2) khi trên thực tế, φ2 = 0.
Các nhận xét tương tự có thể được đưa ra về việc điều chỉnh mô hình MA (2) khi MA (1) sẽ
đủ hoặc phù hợp với ARMA (1,1) khi AR (1) hoặc MA (1) là đủ.
Đối với trường hợp ARMA (1,1), hãy lưu ý mẫu số của φ - θ trong các phương sai tính bằng
đẳng thức (7.4.13). Nếu φ và θ gần bằng nhau, độ biến thiên trong các ước lượng của φ và θ có thể
cực kỳ lớn.
Lưu ý rằng trong tất cả các mô hình hai tham số, các ước tính có thể tương quan cao,
ngay cả đối với kích thước mẫu rất lớn.
Bảng thể hiện trong Phụ lục 7.2 cung cấp các giá trị số cho độ lệch chuẩn gần
đúng của mẫu lớn của các ước lượng φ trong mô hình AR (1) đối với một số giá trị của
φ và một số kích thước mẫu. Vì các giá trị trong bảng bằng 1 φ2 (, chúng
) - ⁄ n
áp dụng tốt như nhau đối với độ lệch chuẩn được tính theo Công thức (7.4.10),
Machine Translated by Google
(7.4.11) và (7.4.12).
Do đó, khi ước tính mô hình AR (1) với, ví dụ, n = 100 và φ = 0,7, chúng ta có thể
tin tưởng khoảng 95% rằng ước tính của chúng tôi về φ là sai số không quá ± 2 (0,07) =
± 0,14.
^
Phụ lục 7.2 AR (1) Mô hình Độ lệch tiêu chuẩn mẫu lớn của φ
φ 50 100 200
Đối với các mô hình tự động hồi quy tĩnh, phương pháp mô-men xoắn mang lại các công cụ ước lượng
tương đương với bình phương nhỏ nhất và khả năng xảy ra lớn nhất, ít nhất là đối với các mẫu lớn. Đối
với các mod els có chứa các số hạng trung bình động, không phải như vậy. Đối với mô hình MA (1), nó có thể
được chỉ ra rằng phương sai mẫu lớn của phương pháp ước lượng thời điểm của θ là
1 θ2 4θ4 θ6 θ8 ++ ++
Var θ ^ ()
≈ -------------------------------------------------- -----
(7.4.14)
2
n 1 θ2
- ()
So sánh phương trình (7.4.14) với phương trình (7.4.11), chúng ta thấy rằng phương sai của
công cụ ước tính phương pháp của khoảnh khắc luôn lớn hơn phương sai của giá trị lớn nhất
công cụ ước tính khả năng xảy ra. Bảng trong Hình 7.3 hiển thị tỷ lệ của độ lệch tiêu chuẩn mẫu lớn
cho hai phương pháp đối với một số giá trị của θ. Ví dụ, nếu θ là 0,5,
công cụ ước tính phương pháp khoảnh khắc có độ lệch chuẩn mẫu lớn lớn hơn 42%
so với độ lệch chuẩn của công cụ ước tính thu được khi sử dụng khả năng tối đa. Nó là
rõ ràng từ những tỷ lệ này rằng công cụ ước tính thời điểm không nên được sử dụng cho
Mô hình MA (1). Lời khuyên tương tự này áp dụng cho tất cả các mô hình có chứa đường trung bình động
điều kiện.
Hình 7.3 Phương pháp Khoảnh khắc (MM) so với Khả năng tối đa (MLE) trong Mô hình MA (1)
θ SDMM / SDMLE
0,25 1,07
0,50 1,42
0,75 2,66
0,90 5.33
Machine Translated by Google
Xét chuỗi MA (1) mô phỏng với θ = 0,9. Bộ truyện được trưng bày trong Triển lãm
4.2 trên trang 59 và chúng tôi nhận thấy ước tính theo phương pháp khoảnh khắc của θ là một
0,554; xem Hình 7.1 trên trang 152. Ngược lại, ước tính khả năng xảy ra tối đa là
0,915, ước tính tổng bình phương không điều kiện là 0,923, và ước lượng nhỏ nhất có điều kiện
ước lượng bình phương là 0,879. Đối với chuỗi này, ước tính khả năng xảy ra tối đa là -0,915
gần nhất với giá trị thực được sử dụng trong mô phỏng. Sử dụng Công thức (7.4.11) trên trang 161
và thay thế θ theo ước tính của nó, chúng tôi có một sai số tiêu chuẩn là khoảng
1 -
θ ^ 2 -
2 1 0,91 (= )
≈ -------------- -------------------------- 0,04 ≈
Var ^ θ ^ ()
n 120
vì vậy không có khả năng tối đa, tổng bình phương có điều kiện hoặc không điều kiện
ước tính tổng bình phương khác xa đáng kể so với giá trị thực của 0,9.
Mô phỏng MA (1) thứ hai với θ = 0,9 tạo ra phương pháp mô-men xoắn là 0,719 được trình bày
trong Hình 7.1. Ước tính tổng bình phương có điều kiện là 0,958,
ước tính tổng bình phương vô điều kiện là 0,983 và người bạn đời có khả năng xảy ra tối đa là
1.000. Tất cả đều có sai số tiêu chuẩn khoảng 0,04 như trên. Đây là ước tính khả năng xảy ra
^
tối đa của mẹ là θ 1 = là một chút bối rối vì nó tương ứng với một
Mô phỏng MA (1) thứ ba với θ = 0,9 tạo ra ước tính theo phương pháp mô-men xoắn
của -0,719 (xem Hình 7.1). Ước tính khả năng xảy ra tối đa ở đây là 0,894 với
lỗi tiêu chuẩn của khoảng
-
≈ 2 1 0,894 (≈ )
Var ^ θ ^ () ----------------------------- 0,06
60
Đối với những dữ liệu này, ước tính tổng bình phương có điều kiện là 0,979 và không điều kiện
ước tính tổng bình phương là 0,961. Tất nhiên, với một sai số tiêu chuẩn có độ lớn này, nó
không khôn ngoan khi báo cáo các chữ số trong ước tính của θ vượt quá vị trí phần mười.
Đối với các mô hình tự động phục hồi được mô phỏng của chúng tôi, kết quả được báo cáo trong Phần trưng bày 7.4
và 7,5.
Hình 7.4 Ước tính tham số cho các mô hình AR (1) được mô phỏng
Phương pháp của Có điều kiện Vô điều kiện Tối đa
Khoảnh khắc SS SS Khả năng xảy ra
Từ Công thức (7.4.9) trên trang 161, các sai số tiêu chuẩn cho các ước tính là
- ^ -
2 1 φ
≈ -------------- 2 1 0,831 (= )
----------------------------- 0,07 ≈
Var ^ φ ^ ()
n 60
và
-
2 1 0,470 (= )
Var ^ φ ^ () ----------------------------- 0,11 ≈
60
tương ứng. Xem xét mức độ của các sai số tiêu chuẩn này, tất cả bốn phương pháp đều phù hợp với
nhau một cách hợp lý cho các mô hình AR (1).
Hình 7.5 Ước tính tham số cho mô hình AR (2) được mô phỏng
Phương pháp của Có điều kiện Vô điều kiện Tối đa
Khoảnh khắc SS SS Khả năng xảy ra
Từ Công thức (7.4.10) trên trang 161, các sai số tiêu chuẩn cho các ước tính là
- 2
^ ^ 1 φ2 -
φ1 ≈
2 1 0,75 (= )
Var ^() Var ^()
φ2 ≈ -------------- -------------------------- 0,06 ≈
n 120
Một lần nữa, xem xét quy mô của các sai số tiêu chuẩn, cả bốn phương pháp đều ước tính một cách hợp lý
Như một ví dụ cuối cùng sử dụng dữ liệu mô phỏng, hãy xem xét ARMA (1,1) được hiển thị trong Phần trình bày
6.14 trên trang 123. Ở đây φ = 0.6, θ = 0.3, và n = 100. Các ước lượng bằng cách sử dụng các
phương pháp được trình bày trong Phụ lục 7.6.
Machine Translated by Google
Hình 7.6 Ước tính tham số cho mô hình ARMA được mô phỏng (1,1)
Bây giờ chúng ta hãy xem xét một số chuỗi thời gian thực. Chuỗi thời gian sở hữu hóa chất công nghiệp
lần đầu tiên được hiển thị trong Phụ lục 1.3 trên trang 3. PACF mẫu được hiển thị trong Phụ lục 6.26
trên trang 135, đã đề xuất mạnh mẽ mô hình AR (1) cho loạt bài này. Hình 7.7 cho thấy
các ước lượng khác nhau của tham số φ bằng cách sử dụng bốn phương pháp ước lượng khác nhau.
Hình 7.7 Ước tính tham số cho chuỗi thuộc tính màu
-
≈ 1 0,57 (≈ ) 2
Var ^ φ ^ () -------------------------- 0,14
35
Ví dụ thứ hai, hãy xem xét lại chuỗi số lượng phong phú của thỏ Canada. Như
trước đây, chúng tôi dựa trên tất cả các mô hình dựa trên căn bậc hai của các số dư ban đầu.
Dựa trên hàm tự tương quan từng phần được trình bày trong Phụ lục 6.29 trên trang 137, chúng tôi
sẽ ước tính một mô hình AR (3). Đối với minh họa này, chúng tôi sử dụng ước lượng khả năng xảy
ra tối đa và hiển thị kết quả thu được từ phần mềm R trong Phụ lục 7.8.
Machine Translated by Google
Hình 7.8 Ước tính khả năng xảy ra tối đa từ Phần mềm R: Dòng Hare
† Mức đánh chặn ở đây là ước lượng của trung bình quá trình μ — không phải của θ0.
^ ^ ^
Ở đây chúng ta thấy
φ rằng = 1.0519,
φ2 = 0.2292, và =φ 3 0.3930. Chúng tôi cũng thấy rằng
1 phương sai tiếng ồn ước tính là = 1,066. Ghi nhận các lỗi tiêu chuẩn, các ước tính của
σ ^ e 2
Hệ số tự động hồi phục lag 1 và lag 3 khác nhau đáng kể so với 0, cũng như
thời hạn chặn, nhưng ước tính tham số tự động hồi quy độ trễ 2 không đáng kể.
Mô hình ước tính sẽ được viết
= (1,0519
-
Yt - 5,6923 Yt 1– - 5,6923 ) () - 5,6923
0,2292 Yt 2–
-
(0,3930 Yt 3– ) 5,6923– et +
hoặc
= + - - +
Yt 3,25 1,0519 Yt 1– 0,2292 Yt 2– 0,3930 Yt 3– et
trong đó Yt là lượng thỏ rừng dồi dào ở năm thứ t tính theo giá trị ban đầu. Vì độ trễ 2 tự động hồi phục
số hạng không đáng kể, chúng ta có thể bỏ số hạng đó (nghĩa là đặt φ2 = 0) và thu được các ước
tính mới của φ1 và φ3 với mô hình tập con này.
Ví dụ cuối cùng, chúng ta quay trở lại chuỗi giá dầu. ACF mẫu được hiển thị trong
Hình 6.32 trên trang 140, đề xuất một mô hình MA (1) về sự khác biệt của các bản ghi của
giá cả. Hình 7.9 đưa ra các ước lượng của θ bằng các phương pháp khác nhau và như chúng ta có
đã thấy trước đó, phương pháp ước tính khoảnh khắc khác khá nhiều so với các phương pháp khác. Các
những người khác gần bằng nhau với sai số tiêu chuẩn của họ là khoảng 0,07.
Phụ lục 7.9 Ước tính về sự khác biệt của nhật ký của chuỗi giá dầu
Trong Phần 7.4, chúng tôi đã tóm tắt một số kết quả phân phối chuẩn gần đúng cho
^
ước lượng trong
γ, đó γ là vectơ bao gồm tất cả các tham số ARMA. Những điều bình thường
ước lượng chính xác đối với các mẫu lớn và phần mềm thống kê thường sử dụng
những kết quả đó trong việc tính toán và báo cáo sai số tiêu chuẩn. Các lỗi tiêu chuẩn của một số
chức năng phức tạp của các tham số mô hình, ví dụ như bán thời gian của mô hình, nếu
nó tồn tại, sau đó thường thu được bằng phương pháp delta. Tuy nhiên, lý thuyết chung
chuyên nghiệp không có hướng dẫn thực tế về kích thước mẫu phải lớn như thế nào cho bình thường
ước lượng đáng tin cậy. Phương pháp Bootstrap (Efron và Tibshirani, 1993; Davison
và Hinkley, 2003) cung cấp một cách tiếp cận thay thế để đánh giá sự không chắc chắn của một
và có thể chính xác hơn đối với các mẫu nhỏ. Có một số biến thể của
phương pháp bootstrap cho dữ liệu phụ thuộc — xem Politis (2003). Chúng tôi sẽ giới hạn
* * *
sion đĩa của chúng tôi với bootstrap tham số tạo ra chuỗi thời gian bootstrap Y1, , … Yn
,
Y2
bằng cách mô phỏng từ mô hình ARIMA (p, d, q) được trang bị . (Bootstrap có thể được thực hiện bằng
cách cố định các giá trị ban đầu p + d đầu tiên của Y * vào các giá trị của dữ liệu quan sát được.
Đối với els mod tĩnh, một quy trình thay thế là mô phỏng các thực nghiệm tĩnh từ mô hình được trang bị,
có thể được thực hiện gần đúng bằng cách mô phỏng một chuỗi thời gian dài từ mô hình được trang bị
và sau đó xóa phân đoạn ban đầu tạm thời của dữ liệu được mô phỏng — cái gọi là
ghi vào.) Nếu các lỗi được giả định là phân phối bình thường, các lỗi có thể được rút ra
e 2 ngẫu nhiên và với sự thay thế từ () Nbution,
0 lỗi . Đối với trường hợp distri lỗi không xác định
σ, ^
các
có thể được rút ra một cách ngẫu nhiên và với sự thay thế từ phần dư của
^ *
γ hãy là công cụ ước tính được tính toán dựa trên
mô hình được trang bị. Đối với mỗi chuỗi bootstrap,
dữ liệu chuỗi thời gian bootstrap sử dụng phương pháp ước tính khả năng xảy ra tối đa đầy đủ
giả định sự cố định. (Có thể sử dụng các phương pháp ước lượng khác.) Bootstrap được trích
dẫn lần nữa, chẳng hạn như B lần. (Ví dụ: B = 1000.) Từ các ước tính tham số B bootstrap,
^
chúng ta có thể hình thành một phân bố thực nghiệm và sử dụng nó để hiệu chỉnh độ không đảm bảo đo trong γ . Sup
đặt ra, chúng tôi quan tâm đến việc ước lượng một số chức năng của γ, chẳng hạn như h (γ) —ví dụ,
Hệ số AR (1). Sử dụng phương pháp phân vị, khoảng tin cậy 95% khởi động cho
h (γ) có thể nhận được là khoảng từ phân vị 2,5 đến phân vị 97,5 của
phân phối bootstrap của h γ ()
^ * .
Chúng tôi minh họa phương pháp bootstrap với dữ liệu thỏ rừng. Khoảng thời gian liên
tục 95% bootstrap được báo cáo trong hàng đầu tiên của bảng trong Hình 7.10 dựa trên
bootstrap thu được bằng cách điều chỉnh ba quan sát ban đầu và giả định cũng không sai sót.
Những người trong hàng thứ hai được lấy bằng cách sử dụng cùng một phương pháp ngoại trừ
lỗi được rút ra từ phần dư. Hàng thứ ba và thứ tư báo cáo độ tin cậy
khoảng thời gian dựa trên bootstrap tĩnh với phân phối lỗi chuẩn cho phần ba
hàng và phân phối phần dư thực nghiệm cho hàng thứ tư. Hàng thứ năm trong bảng
hiển thị khoảng tin cậy lý thuyết 95% dựa trên phân phối mẫu lớn
kết quả cho người ước lượng. Đặc biệt, chuỗi thời gian bootstrap cho lần khởi động đầu tiên
phương pháp được tạo một cách đệ quy bằng cách sử dụng phương trình
^ ^ ^ ^
* *
φ 1Yt
3Yt 3– *1––––
* φθ2Yt 2– * φ (7.6.1)
Yt 0 et + =
Machine Translated by Google
* *
e *2 cho t = 4,
* 5,…, 31, trong đó
et chúng được chọn độc lập với () N 0 σ, ^ , Y1 Y1 = ,
, Y3 ; và các tham số được đặt thành ước tính từ
Y2 Y2 = Y3 = ^ AR (3) ^ ^ ^
mô hình phù hợp với dữ liệu hare (căn bậc hai được biến đổi) vớiθ=0 (φ μ ^ 1) φ––– .
1 2 3 φ
Tất cả các kết quả đều dựa trên khoảng 1000 bản sao bootstrap, nhưng khả năng tối đa đầy đủ
ước tính không thành công đối với 6,3%, 6,3%, 3,8% và 4,8% trong số 1000 trường hợp cho bốn bootstrap
Tôi (0,593, 1,269) ( 0,655, 0,237) ( 0,666, 0,018) (5.115, 6.394) (0,551, 1,546)
II (0,612, 1,296) ( 0,702, 0,243) ( 0,669, 0,026) (5.004, 6.324) (0,510, 1,510)
III (0,699, 1,369) ( 0,746, 0,195) ( 0,666, 0,021) (5.056, 6.379) (0,499, 1,515)
IV (0,674, 1,389) ( 0,769, 0,194) ( 0,665, 0,002) (4.995, 6.312) (0,477, 1,530)
Lý thuyết (0,684, 1,42) ( 0,8058, 0,3474) ( 0,7684, 0,01776) (5,032, 6,353) (0,536, 1,597)
> Xem tệp tập lệnh R Chương 7 để biết mã mở rộng cần thiết để tạo ra các kết quả này.
Tất cả bốn phương pháp đều mang lại khoảng tin cậy bootstrap giống nhau, mặc dù phương
pháp tiếp cận bootstrap condi tional thường mang lại khoảng tin cậy hẹp hơn một chút. Đây là
dự kiến, vì chuỗi thời gian khởi động có điều kiện có nhiều điểm giống nhau hơn
bởi vì tất cả đều phải tuân theo các điều kiện ban đầu giống hệt nhau. Khoảng tin cậy bootstrap
nhìn chung rộng hơn một chút so với các đối tác lý thuyết của chúng, vốn bắt nguồn từ
kết quả mẫu lớn. Nhìn chung, chúng ta có thể rút ra suy luận rằng ước lượng hệ số φ2
là không đáng kể, trong khi cả hai ước lượng hệ số φ1 và φ3 đều có ý nghĩa ở
Mức ý nghĩa 5%.
Phương pháp bootstrap có ưu điểm là cho phép dễ dàng xây dựng các khoảng confi
dence cho một đặc tính của mô hình là một hàm phi tuyến của mô hình
thông số. Ví dụ, đa thức AR đặc trưng của mô hình AR (3) được trang bị
đối với dữ liệu thỏ thừa nhận một cặp gốc phức tạp. Thật vậy, các gốc là 0,84 ± 0,647i và
tôiHai
2,26, trong đó = .phức có thể được viết ở dạng cực: 1,06exp (±
1– gốc
0,657i). Như trong phần thảo luận về bán thời gian cho mô hình AR (2) ở trang 74,
bán kỳ của mô hình AR (3) được điều chỉnh có thể được định nghĩa là 2π / 0,657 = 9,57. Do đó, mô hình
ted phù hợp cho thấy rằng lượng thỏ rừng dồi dào trải qua sự biến động theo chu kỳ với một khoảng thời gian
trong khoảng 9,57 năm. Câu hỏi thú vị về việc xây dựng khoảng tin cậy 95%
cho thời kỳ bán nguyệt có thể được nghiên cứu bằng cách sử dụng phương pháp delta. Tuy nhiên, điều này sẽ khá
phức tạp, vì gần chu kỳ là một hàm phức tạp của các tham số. Nhưng dây đeo khởi động cung
cấp một giải pháp đơn giản: Đối với mỗi tập hợp các ước tính tham số bootstrap, chúng ta có thể
tính toán bán kỳ và do đó có được phân phối bootstrap của
bán kỳ. Sau đó, khoảng tin cậy cho khoảng thời gian gần như có thể được xây dựng bằng cách sử dụng
phương pháp phân vị và hình dạng của sự phân bố có thể được khám phá thông qua gam lịch
sử của ước tính bán thời gian khởi động. (Lưu ý rằng bán thời gian sẽ là unde
Machine Translated by Google
bị phạt bất cứ khi nào gốc của phương trình đặc trưng AR là tất cả các số thực.)
chuỗi thời gian khởi động tĩnh 1000 lần thu được bằng cách mô phỏng từ mô hình được trang bị
với các lỗi được rút ra ngẫu nhiên từ các phần dư có thay thế, chuỗi 952 dẫn đến
ước tính khả năng xảy ra tối đa thành công. Tất cả trừ một trong số 952 series đều có
các bán thời gian được xác định rõ ràng, và biểu đồ của chúng được thể hiện trong Phụ lục 7.11. Các
biểu đồ cho thấy rằng phân phối lấy mẫu của ước tính bán kỳ là một chút
lệch sang phải. † Biểu đồ bình thường QQ (Hình 7.12) gợi ý rằng bán kỳ
hơn nữa, công cụ ước lượng có một phân phối theo đuôi dày. Do đó, phương pháp delta và
xấp xỉ phân phối chuẩn tương ứng có thể không phù hợp để lấy gần đúng phân phối lấy mẫu
của công cụ ước lượng bán kỳ. Cuối cùng, sử dụng phân vị
phương pháp, khoảng tin cậy 95% của chu kỳ gần được tìm thấy là (7.84,11.34).
0,5
0,4
0,3
trọng
Tỉ
0,2
0,1
0,0
6 số 8 10 12 14
Quasi-kỳ
> win.graph (chiều rộng = 3,9, chiều cao = 3,8, kích thước điểm = 8)
> hist (period.replace, prob = T, xlab = 'Quasi-period', axis = F,
xlim = c (5,16))
> trục (2); trục (1, c (4,6,8,10,12,14,16), c (4,6,8,10,12,14, NA))
† Tuy nhiên, hãy xem phần thảo luận bên dưới Công thức (13.5.9) trên trang 338, nơi người ta lập luận rằng,
từ quan điểm của miền tần số, có một vùng tham số nhỏ tương ứng với các gốc phức và tuy
nhiên bán kỳ liên quan có thể không có ý nghĩa vật lý đầy đủ. Điều này minh họa sự tinh tế
của khái niệm bán thời kỳ.
Machine Translated by Google
Hình 7.12 Biểu đồ thông thường QQ của Ước tính Quasi-period của Bootstrap
•
14
12 • •
• •• •
• • •
••••••••••••••
•• •• •• •• •• ••
•••••
••••••
••••••
••••••
••••••
••••••
••••••
•
•• •• •• •• •• •• •• ••
• • • " • • • •
••
10
••
••
••• ••
••••••••••
•• •••
••••••••
••••••
•••• ••••••••
••••••••
•
••
••• ••••••••• •••••••
•" •• •• •• ••
••
••••••••
••
oog
••••••••••
••••••••••••••••••
••• •••••••••••••••••••
• •••••••• •
••
•
ot
••
• •
•• ••••
•• •••
•• •••
•• •••
•• ••
•
••
••
••••
(•
••
•••
••
•••
••
•
••
••••••
•••
•••••
••••
•
• •(
••••
••••• ••
••
••
••••
•
•
••
•• •••
•
•
••
••
•
••
•
••
••
••
•
••
•••
•• ••
••
••
•
••
••
•••
••
•
•••• •
••
•••
••
••
••
• •
••••"
•
•
•
••
••
••••
••
••••
• ••••••••• ••
••• ••••
•• ••••• ••
••
•• •• •••••• •••
• •••••••
••
•
••
••
••••••••••
•••
••
•
••
•••••
•••••••••••)•
••
•••••••••••••
••••••(•
•••
•••••••••-•••
•••
••
•• •• •• •
••
••
••••
•••
Lượng
mẫu
tử
•••
số
8 • •
••••••
••••••
••••
••
•••••
••••••••
••••
••••
••
•••••
••••
•••• ••
•••••
•••(•)
•••••••••••••••• ••••••••••••••••••
••
•••••••••••••••••••••••••)••••••• (•
••••••••••••••••••
•••••••• •••• •••••• ••ot •• •••• •••• •••
••• •
••••••••
•••••••"•
••••••• ••••••• ••••••• ••••••• ••••••• •
•
3 2 1 0 1 2 3
Lượng tử lý thuyết
Chương này đi sâu vào ước lượng các tham số của mô hình ARIMA. Chúng tôi đã bỏ qua các tiêu
chí ước tính dựa trên phương pháp thời điểm, các loại bình phương nhỏ nhất khác nhau và tối
đa hóa hàm khả năng. Các thuộc tính của các vòng xoắn estima khác nhau đã được đưa ra và các
công cụ ước lượng được minh họa bằng cả dữ liệu chuỗi thời gian mô phỏng và thực tế.
Bootstrapping với các mô hình ARIMA cũng đã được thảo luận và minh họa.
BÀI TẬP
7.1 Từ một chuỗi độ dài 100, chúng ta đã tính được r1 = 0,8, r2 = 0,5, r3 = 0,4, = 2 và Yphương
sai mẫu là 5. Nếu chúng ta giả sử rằng mô hình AR (2) với số hạng không đổi là phù hợp,
làm thế nào chúng ta có thể nhận được các ước lượng (đơn giản) của φ1, φ2, θ0 và?
2 σe
7.2 Giả sử rằng các dữ liệu sau đây phát sinh từ một quá trình tĩnh, hãy tính các ước lượng
theo phương pháp mô men của μ, γ0 và ρ1: 6, 5, 4, 6, 4.
7.3 Nếu {Yt } thỏa mãn mô hình AR (1) với φ khoảng 0,7, thì chúng ta cần ước lượng chuỗi dài
bao nhiêu φ = ρ1 với độ tin cậy 95% rằng sai số ước lượng của chúng ta không quá ± 0,1?
7.4 Xem xét một quy trình MA (1) mà người ta biết rằng trung bình của quy trình bằng 0.
Dựa trên một dãy số có độ dài n = 3, chúng ta quan sát thấy Y1 = 0, Y2 = 1, và Y3 =
½. (a) Chứng tỏ rằng ước lượng bình phương nhỏ nhất có điều kiện của θ là ½. (b) Tìm
ước lượng của phương sai tiếng ồn. (Gợi ý: Các phương pháp lặp lại không cần thiết
7.5 Với dữ liệu Y1 = 10, Y2 = 9 và Y3 = 9.5, chúng tôi muốn phù hợp với mô hình IMA (1,1)
không có kỳ hạn cố định. (a)
Tìm ước lượng bình phương nhỏ nhất có điều kiện của θ. (Gợi ý: Làm bài tập 7.4 trước.) (B) Ước
lượng 2 σe.
7.6 Xem xét hai tham số khác nhau của quy trình AR (1) với nonzero
bần tiện:
Mô hình I. Yt - μ = φ (Yt 1 - μ) + et .
Chúng ta muốn ước lượng φ và μ hoặc φ và θ0 bằng cách sử dụng bình phương nhỏ nhất có điều kiện với
Y1. Chứng tỏ rằng với Mô hình I, chúng ta được dẫn đến giải các phương trình phi tuyến để thu được các
ước lượng, trong khi với Mô hình II, chúng ta chỉ cần giải các phương trình tuyến tính.
7.8 Xem xét mô hình ARMA (1,1) với φ = 0,5 và θ = 0,45. (a) Với n = 48, hãy
đánh giá phương sai và mối tương quan của các ước lượng khả năng xảy ra tối đa của φ và θ bằng
cách sử dụng Công thức (7.4.13) ở trang 161. Nhận xét về kết quả.
(b) Lặp lại phần (a) nhưng bây giờ với n = 120. Nhận xét kết quả mới.
7.9 Mô phỏng chuỗi MA (1) với θ = 0,8 và n = 48. (a) Tìm ước lượng
thời điểm theo phương pháp của θ. (b) Tìm ước lượng bình
phương nhỏ nhất có điều kiện của θ và so sánh với phần (a). (c) Tìm ước lượng khả năng xảy ra
(b).
(d) Lặp lại các phần (a), (b) và (c) với một loạt mô phỏng mới sử dụng cùng các thông số và cùng
cỡ mẫu. So sánh kết quả của bạn với kết quả của bạn từ mô phỏng đầu tiên.
7.10 Mô phỏng chuỗi MA (1) với θ = 0,6 và n = 36. (a) Tìm ước lượng
mômen của. (b) Tìm ước lượng bình phương nhỏ nhất có điều
kiện của θ và so sánh với phần (a). (c) Tìm ước lượng khả năng xảy ra lớn nhất của θ và so sánh
(b).
(d) Lặp lại các phần (a), (b) và (c) với một loạt mô phỏng mới sử dụng cùng các thông số và cùng
cỡ mẫu. So sánh kết quả của bạn với kết quả của bạn từ mô phỏng đầu tiên.
7.11 Mô phỏng chuỗi MA (1) với θ = 0,6 và n = 48. (a) Tìm ước lượng
khả năng lớn nhất của θ. (b) Nếu phần mềm của bạn cho phép,
hãy lặp lại phần (a) nhiều lần với một phần mềm mới được mô phỏng
loạt sử dụng các thông số giống nhau và cùng cỡ mẫu. (c) Hình
thành phân phối lấy mẫu của các ước tính khả năng xảy ra tối đa của θ. (d) Các ước tính (gần
đúng) có sai lệch không? (e) Tính toán phương sai của phân phối lấy mẫu của bạn và so sánh
nó với
kết quả mẫu lớn trong Công thức (7.4.11) trên trang 161.
7.13 Mô phỏng chuỗi AR (1) với φ = 0,8 và n = 48. (a) Tìm ước
lượng mômen theo phương pháp của φ. (b) Tìm ước lượng
bình phương nhỏ nhất có điều kiện của φ và so sánh với phần (a). (c) Tìm ước lượng khả
năng xảy ra lớn nhất của φ và so sánh nó với các phần (a) và
(b).
(d) Lặp lại các phần (a), (b) và (c) với một loạt mô phỏng mới sử dụng cùng các thông số
và cùng cỡ mẫu. So sánh kết quả của bạn với kết quả của bạn từ mô phỏng đầu tiên.
7.14 Mô phỏng chuỗi AR (1) với φ = 0,5 và n = 60. (a) Tìm ước
lượng theo phương pháp mô men của φ. (b) Tìm ước lượng
bình phương nhỏ nhất có điều kiện của φ và so sánh với phần (a). (c) Tìm ước lượng khả
năng xảy ra lớn nhất của φ và so sánh nó với các phần (a) và
(b).
(d) Lặp lại các phần (a), (b) và (c) với một loạt mô phỏng mới sử dụng cùng các thông số
và cùng cỡ mẫu. So sánh kết quả của bạn với kết quả của bạn từ mô phỏng đầu tiên.
7.15 Mô phỏng chuỗi AR (1) với φ = 0,7 và n = 100. (a) Tìm ước
lượng khả năng xảy ra lớn nhất của φ. (b) Nếu phần mềm
của bạn cho phép, hãy lặp lại phần (a) nhiều lần với một phần mềm mới được mô phỏng
loạt sử dụng các thông số giống nhau và cùng cỡ mẫu. (c)
Hình thành phân phối lấy mẫu của các ước tính khả năng xảy ra tối đa của φ. (d) Các
ước tính (gần đúng) có sai lệch không? (e) Tính toán phương sai của phân phối lấy
mẫu của bạn và so sánh nó với
kết quả mẫu lớn trong Công thức (7.4.9) trên trang 161.
7.16 Mô phỏng chuỗi AR (2) với φ1 = 0,6, φ2 = 0,3 và n = 60. (a) Tìm các
ước lượng theo phương pháp mô men của φ1 và φ2. (b) Tìm ước lượng
bình phương nhỏ nhất có điều kiện của φ1 và φ2 và so sánh chúng
với phần (a).
(c) Tìm các ước lượng khả năng xảy ra lớn nhất của φ1 và φ2 và so sánh chúng với các phần
(a) và (b). (d) Lặp lại các phần (a), (b) và (c) với một loạt mô phỏng mới sử dụng
cùng các thông số và cùng cỡ mẫu. So sánh những kết quả này với kết quả của bạn từ mô
phỏng đầu tiên.
7.18 Mô phỏng chuỗi AR (1) với φ = 0,6, n = 36 nhưng với số hạng sai số từ bution t-distri với
3 bậc tự do.
Machine Translated by Google
(a) Hiển thị PACF mẫu của chuỗi. Mô hình AR (1) có được đề xuất không? (b)
Ước lượng φ từ chuỗi và nhận xét kết quả. (c) Lặp lại các phần (a) và (b)
với một loạt mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.19 Mô phỏng một chuỗi MA (1) với θ = 0,8, n = 60 nhưng với các điều kiện sai số từ một
dấu tích t-dis với 4 bậc tự do. (a) Hiển thị ACF mẫu của chuỗi. Mô hình MA (1) có
được đề xuất không? (b) Ước lượng θ từ chuỗi và nhận xét kết quả. (c) Lặp lại các
phần (a) và (b) với một loạt mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.20 Mô phỏng chuỗi AR (2) với φ1 = 1,0, φ2 = 0,6, n = 48 nhưng với các điều khoản lỗi
từ phân phối t với 5 bậc tự do. (a) Hiển thị PACF
mẫu của chuỗi. Mô hình AR (2) có được đề xuất không? (b) Ước lượng φ1 và φ2
từ dãy số và nhận xét kết quả. (c) Lặp lại các phần (a) và (b) với một loạt
mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.21 Mô phỏng chuỗi ARMA (1,1) với φ = 0,7, θ = 0,6, n = 48 nhưng với các điều khoản lỗi
từ phân phối t với 6 bậc tự do. (a) Hiển thị EACF
mẫu của chuỗi. Mô hình ARMA (1,1) có được đề xuất không? (b) Ước lượng φ và θ từ
chuỗi và nhận xét về kết quả. (c) Lặp lại các phần (a) và (b) với một loạt mô phỏng
mới trong cùng một điều kiện
hàng tấn.
7.22 Mô phỏng chuỗi AR (1) với φ = 0,6, n = 36 nhưng với sai số từ phân phối chi bình phương
với 6 bậc tự do. (a) Hiển thị PACF mẫu của chuỗi. Mô hình AR (1) có được đề xuất
không? (b) Ước lượng φ từ chuỗi và nhận xét kết quả. (c) Lặp lại các phần (a) và (b)
với một loạt mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.23 Mô phỏng chuỗi MA (1) với θ = 0,8, n = 60 nhưng với sai số từ phân phối chi bình
phương với 7 bậc tự do. (a) Hiển thị ACF mẫu của chuỗi. Mô hình MA (1) có được đề
xuất không? (b) Ước lượng θ từ chuỗi và nhận xét kết quả. (c) Lặp lại các phần (a) và
(b) với một loạt mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.24 Mô phỏng chuỗi AR (2) với φ1 = 1,0, φ2 = 0,6, n = 48 nhưng với số hạng sai số từ phân
phối chi bình phương với 8 bậc tự do. (a) Hiển thị PACF mẫu của chuỗi. Mô hình AR (2)
có được đề xuất không? (b) Ước lượng φ1 và φ2 từ dãy số và nhận xét kết quả. (c) Lặp
lại các phần (a) và (b) với một loạt mô phỏng mới trong cùng một điều kiện
hàng tấn.
7.25 Mô phỏng chuỗi ARMA (1,1) với φ = 0,7, θ = 0,6, n = 48 nhưng với số hạng sai số từ
phân phối chi bình phương với 9 bậc tự do. (a) Hiển thị EACF mẫu của chuỗi. Mô hình
ARMA (1,1) có được đề xuất không? (b) Ước lượng φ và θ từ chuỗi và nhận xét về kết
quả. (c) Lặp lại các phần (a) và (b) với một loạt mới với cùng điều kiện.
Machine Translated by Google
7.26 Hãy xem xét mô hình AR (1) được chỉ định cho chuỗi thời gian thuộc tính màu được hiển
thị trong Phụ lục 1.3 trên trang 3. Dữ liệu nằm trong tệp có tên màu. (a) Tìm ước
lượng theo phương pháp khoảnh khắc của φ. (b) Tìm ước lượng khả năng xảy ra lớn nhất
của φ và so sánh với phần (a).
7.27 Hình 6.31 trên trang 139 đề xuất chỉ định mô hình AR (1) hoặc có thể là mô hình AR (4)
cho sự khác biệt của logarit của chuỗi giá dầu. Dữ liệu nằm trong tệp có tên oil.price.
(a) Ước tính cả hai mô hình này bằng cách sử dụng khả năng xảy ra tối đa và so sánh
nó với kết quả sử dụng các tiêu chí AIC. (b) Hình 6.32 trên trang 140 đề xuất chỉ định
mô hình MA (1) cho sự khác nhau của các bản ghi. Ước tính mô hình này theo khả
năng xảy ra tối đa và so sánh với kết quả của bạn trong phần (a).
7.28 Tệp dữ liệu có tên deere3 chứa 57 giá trị liên tiếp từ một máy công cụ phức tạp của
Deere & Co. Các giá trị được đưa ra là độ lệch so với giá trị mục tiêu tính bằng đơn
vị mười phần triệu inch. Quá trình sử dụng một cơ chế điều khiển để đặt lại một số
thông số của máy công cụ tùy thuộc vào độ phóng đại của độ lệch so với mục tiêu của
mặt hàng cuối cùng được sản xuất. (a) Ước tính các thông số của mô hình AR (1) cho
loạt bài này. (b) Ước tính các tham số của mô hình AR (2) cho chuỗi này và so sánh
7.29 Tệp dữ liệu có tên rô bốt chứa chuỗi thời gian thu được từ rô bốt công nghiệp.
Robot được thực hiện một chuỗi các thao tác và khoảng cách từ điểm kết thúc mong muốn
được ghi lại bằng inch. Điều này được lặp lại 324 lần để tạo thành chuỗi thời gian.
(a) Ước tính các tham số của mô hình AR (1) cho những dữ liệu này. (b) Ước tính các
tham số của mô hình IMA (1,1) cho những dữ liệu này. (c) So sánh kết quả từ phần (a)
và (b) về AIC.
7.30 Tệp dữ liệu có tên ngày chứa dữ liệu kế toán từ Công ty Winegard của Bur lington, Iowa.
Dữ liệu là số ngày cho đến khi Winegard nhận được thanh toán cho 130 đơn đặt hàng liên
tiếp từ một nhà phân phối sản phẩm Winegard cụ thể.
(Tên của nhà phân phối phải được giấu tên vì lý do bảo mật.)
Chuỗi thời gian chứa đựng những ngoại lệ khá rõ ràng trong cốt truyện của chuỗi
thời gian. (a) Thay thế từng giá trị bất thường bằng giá trị 35 ngày, giá trị ical
điển hình hơn nhiều, rồi ước tính các tham số của mô hình MA (2). (b) Bây giờ giả
sử một mô hình MA (5) và ước lượng các tham số. So sánh những kết quả này với những
kết quả thu được trong phần (a).
7.31 Mô phỏng chuỗi thời gian có độ dài n = 48 từ mô hình AR (1) với φ = 0,7. Sử dụng chuỗi
đó như thể nó là dữ liệu thực. Bây giờ, hãy so sánh sự phân bố tiệm cận lý thuyết của
công cụ ước lượng của φ với phân phối của công cụ ước lượng bootstrap của φ.
7.32 Chuỗi thời gian thuộc tính màu công nghiệp được mô hình AR (1) phù hợp khá tốt.
Tuy nhiên, chuỗi này khá ngắn, với n = 35. Hãy so sánh phân phối tiệm cận lý thuyết
của công cụ ước lượng φ với phân phối của ma trận bootstrap esti của φ. Dữ liệu nằm
trong tệp có tên màu.
Machine Translated by Google
CHƯƠNG 8
Bây giờ chúng ta đã thảo luận về các phương pháp xác định mô hình và ước tính hiệu quả
các thông số trong các mô hình đó. Chẩn đoán mô hình hoặc phê bình mô hình liên quan đến
kiểm tra độ phù hợp của một mô hình và, nếu độ phù hợp kém, hãy đề xuất các sửa đổi
phù hợp. Chúng tôi sẽ trình bày hai cách tiếp cận bổ sung: phân tích phần dư từ
mô hình được trang bị và phân tích các mô hình được trang bị quá mức; nghĩa là, các mô hình hơn
chung hơn mô hình được đề xuất nhưng có chứa mô hình được đề xuất như một trường hợp đặc biệt.
Chúng tôi đã sử dụng các ý tưởng cơ bản của phân tích phần dư trong Phần 3.6 trên trang 42 khi chúng tôi
đã kiểm tra tính đầy đủ của các mô hình xu hướng xác định được trang bị. Với các mô hình tự phục hồi,
phần còn lại được xác định tương tự trực tiếp với công việc trước đó. Đặc biệt xem xét một
Mô hình AR (2) với số hạng không đổi:
= 1– φ2Yt +2– ++
Yt φ1Yt θ0 et (8.1.1)
Đối với các mô hình ARMA chung có chứa các thuật ngữ trung bình động, chúng tôi sử dụng đảo ngược,
dạng tự động hồi quy vô hạn của mô hình để xác định phần dư. Để đơn giản, chúng tôi giả định
rằng θ0 bằng không. Từ dạng đảo ngược của mô hình, Công thức (4.5.5) ở trang 80, chúng tôi
có
^
e t = Yt^ π2Yt
^ 1Yt
-
1– π ^ 3Yt 3–
2– ––
-…
(8.1.3)
Ở đây, số π không được ước lượng trực tiếp mà là hàm ẩn dưới dạng hàm của φ và
của θ. Trên thực tế, phần dư không được tính bằng phương trình này mà là sản phẩm phụ của
ước lượng của φ và θ. Trong Chương 9, chúng ta sẽ tranh luận rằng
^
Y t = +++ t 3– …
π ^ 1Yt 1– π ^ 2Yt 2– π ^ 3Y
175
Machine Translated by Google
là dự báo tốt nhất của Yt dựa trên Yt - 1, Yt - 2, Yt - 3,…. Do đó, Công thức (8.1.3) có thể là
được viết lại thành
tương tự trực tiếp với các mô hình hồi quy. So sánh điều này với Phần 3.6 trên trang 42.
Nếu mô hình được chỉ định chính xác và các ước tính tham số gần hợp lý
đến các giá trị true, thì phần dư phải có các đặc tính gần như của nhiễu trắng.
Chúng phải hoạt động gần giống như các biến bình thường độc lập, được phân phối giống hệt nhau
với phương tiện bằng 0 và độ lệch chuẩn phổ biến. Sai lệch từ các thuộc tính này có thể
giúp chúng tôi khám phá một mô hình thích hợp hơn.
Kiểm tra chẩn đoán đầu tiên của chúng tôi là kiểm tra một lô của các phần còn lại theo thời gian. Nếu mô hình là
đầy đủ, chúng tôi hy vọng âm mưu đề xuất một hình chữ nhật phân tán xung quanh một chiều ngang bằng 0
không có bất kỳ xu hướng nào.
Biểu đồ 8.1 cho thấy một biểu đồ như vậy cho các phần dư chuẩn hóa từ mô hình AR (1)
được trang bị cho loạt thuộc tính màu công nghiệp. Tiêu chuẩn hóa cho phép chúng tôi xem phần còn lại của
kích thước bất thường dễ dàng hơn nhiều. Các thông số được ước tính bằng cách sử dụng mui xe likeli tối
Hình 8.1 Phần dư được tiêu chuẩn hóa từ Mô hình màu AR (1)
2
•
1 • • • •
•
• • • • • •
0 • •••
•
• • • • • •
•
• • •
•
•
1
chuẩn
tiêu
được
Phần
hóa
dư
•• •
• •
2
•
0 5 10 15 20 25 30 35
Thời gian
> win.graph (chiều rộng = 4,875, chiều cao = 3, kích thước điểm = 8)
> dữ liệu (màu)
> m1.color = arima (color, order = c (1,0,0)); m1.color
> plot (rstandard (m1.color), ylab = 'Phần dư chuẩn hóa', type = 'o'); abline (h = 0)
Ví dụ thứ hai, chúng tôi xem xét chuỗi số lượng phong phú của thỏ Canada. Chúng tôi lập mô hình
AR (3) tập con với φ2 được đặt thành 0, như được đề xuất trong cuộc thảo luận sau
Yt 3,483
+ = 0,919 Yt 1– - 0,5313 Yt 3– + et (8.1.4)
và biểu đồ chuỗi thời gian của các phần dư chuẩn hóa từ mô hình này được thể hiện trong
Hình 8.2. Ở đây, chúng tôi thấy sự thay đổi có thể giảm ở giữa chuỗi và
sự thay đổi tăng lên ở gần cuối của bộ truyện — không hẳn là một phần dư âm lý tưởng. †
Hình 8.2 Phần dư được tiêu chuẩn hóa từ Mô hình AR (3) cho Sqrt (Hare)
1
• • • • •
• •• •
••
0
• •
• • • • •
• • • •
• •
• • • •
•
1
2
chuẩn
tiêu
được
Phần
hóa
dư
• •
1905 1910 1915 1920 1925 Năm 1930 1935
Thời gian
> # Lưu ý rằng thuật ngữ đánh chặn được đưa ra trong R thực sự là giá trị trung bình ở dạng tập trung
của mô hình ARMA; nghĩa là, nếu y (t) = sqrt (hare) -intercept, thì mô hình là y (t) = 0.919 *
Hình 8.3 hiển thị biểu đồ chuỗi thời gian của các phần dư được tiêu chuẩn hóa từ
Mô hình IMA (1,1) ước tính cho logarit của chuỗi thời gian giá dầu. Mô hình là
phù hợp bằng cách sử dụng ước tính khả năng xảy ra tối đa. Có ít nhất hai hoặc ba phần dư
đầu sê-ri có cường độ lớn hơn 3 — rất bất thường trong mức bình thường tiêu chuẩn
‡ Tốt nhất, chúng ta nên quay trở lại những tháng đó và cố gắng tìm hiểu những gì bên ngoài
các yếu tố có thể đã ảnh hưởng đến sự sụt giảm lớn bất thường hoặc sự gia tăng lớn bất thường trong
giá dầu.
† Các phần dư tiêu chuẩn âm có vẻ lớn không phải là ngoại lệ theo Bon
tiêu chí ngoại lệ ferroni với giá trị tới hạn ± 3,15.
‡ Các giá trị tới hạn của Bonferroni với n = 241 và α = 0,05 là ± 3,71, vì vậy các giá trị ngoại lệ là
Hình 8.3 Lượng dư được tiêu chuẩn hóa từ Mô hình IMA (1,1) Giá dầu gỗ
4
2
chuẩn
tiêu
được
Phần
hóa
dư
04
2
Thời gian
Như chúng ta đã thấy trong Chương 3, đồ thị lượng tử-lượng tử là một công cụ hiệu quả để đánh giá cũng như
tính chất. Ở đây chúng tôi áp dụng chúng cho phần dư.
Một biểu đồ lượng tử-lượng tử của phần còn lại từ mô hình AR (1) được ước tính cho
Chuỗi thuộc tính màu công nghiệp được thể hiện trong Phụ lục 8.4. Các điểm dường như tuân theo
đường thẳng khá chặt chẽ — đặc biệt là các giá trị cực trị. Biểu đồ này sẽ không dẫn chúng ta
để bác bỏ tính bình thường của các điều khoản lỗi trong mô hình này. Ngoài ra, kiểm tra Shapiro-Wilk
cũng như kiểm tra tính xác thực được áp dụng cho các phần còn lại tạo ra thống kê kiểm tra W = 0.9754,
tương ứng với giây với giá trị p là 0.6057 và chúng tôi sẽ không bác bỏ tính chuẩn dựa trên kiểm tra này.
Machine Translated by Google
Hình 8.4 Lô đất định lượng-định lượng: Phần còn lại từ Mô hình màu AR (1)
10
•
5
• • •
••
• •
• • •
•
•••
•••
• • •
• • • • •
Lượng
mẫu
tử
•
• •• •
• •
0 10
5
2 1 0 1 2
Lượng tử lý thuyết
Biểu đồ lượng tử-lượng tử cho phần dư từ mô hình AR (3) cho căn bậc hai của chuỗi
thời gian dồi dào thỏ được hiển thị trong Hình 8.5. Đây là val ues cực kỳ đáng ngờ.
Tuy nhiên, mẫu nhỏ (n = 31) và, như đã nêu trước đó, tiêu chí Bon ferroni cho các giá
trị ngoại lai không chỉ ra nguyên nhân gây ra cảnh báo.
Hình 8.5 Lô định lượng-Định lượng: Phần còn lại từ AR (3) cho Hare
1
•
• •
• •
0 • •• •
••
• •••••••
• •••
••
•• •
Lượng
mẫu
tử
1
2
• •
•
•
2 1 0 1 2
Lượng tử lý thuyết
Hình 8.6 đưa ra biểu đồ lượng tử-lượng tử cho phần dư từ mô hình IMA (1,1) đã
được sử dụng để mô hình hóa logarit của chuỗi giá dầu. Ở đây những điểm khác thường
khá nổi bật, và chúng ta sẽ giải quyết chúng trong Chương 11.
Machine Translated by Google
Hình 8.6 Lô định lượng-định lượng: Phần còn lại từ Mô hình IMA (1,1) cho
Dầu
•
•
0,2
•
•
••
••
•
••
•
••
•
•• •
•••••••••
••
•
• •
• •• ••
••
••
••••
•••••
• ••
•
••
•
••
•• ••
• ••
•
••
••••
•••••
••
•• ••
••••
•
•
•• • •
•• ••
•
•
•• •
•
•
•• • ••
••••
• •• •••••
•••
•••••
Lượng
mẫu
tử
•••
0,2
0,4
0,0
•
3 2 1 0 1 2 3
Lượng tử lý thuyết
Để kiểm tra tính độc lập của các thuật ngữ nhiễu trong mô hình, chúng tôi xem xét mẫu
^ k
.
hàm tự tương quan của các phần dư, được ký hiệu từ Công thức r (6.1.3) trở đi
trang 110, chúng ta biết rằng đối với nhiễu trắng thực và n lớn, tự tương quan mẫu là
xấp xỉ không tương quan và được phân phối chuẩn với giá trị trung bình bằng 0 và phương sai 1 / n.
Thật không may, ngay cả các phần dư từ một mô hình được chỉ định chính xác với các tham số được
phối trộn được ước tính hiệu quả cũng có các thuộc tính hơi khác nhau. Điều này lần đầu tiên được
khám phá đối với các mô hình hồi quy đa cấp trong một loạt bài báo của Durbin và Watson (1950, 1951, 1971)
và cho các mô hình tự động hồi phục ở Durbin (1970). Tài liệu tham khảo chính về việc phân phối
tự tương quan dư trong các mô hình ARIMA là Box và Pierce (1970), kết quả của
đã được khái quát trong McLeod (1978).
Nói chung, phần dư được phân phối gần như bình thường với không
có nghĩa; tuy nhiên, đối với độ trễ nhỏ k và j, phương sai
r ^ k của về cơ bản có thể nhỏ hơn
r và có rthể
^ k 1 / n và các ước lượng ^ j tương quan cao. Đối với độ trễ lớn hơn, phương sai giao
nữa và gần như không tương quan. phối r ^r ^kj xấp xỉ 1 / n sẽ áp dụng, và xa hơn
Để làm ví dụ về những kết quả này, hãy xem xét một phương thức được chỉ định chính xác và hiệu quả
mô hình AR (1) được giao phối. Có thể chỉ ra rằng, đối với n lớn,
φ2
Var r()^ 1 ≈ -----
(8.1.5)
N
1 - 1 φ2 ( 2k 2– ) φ - ≈
Var r ^ k () -------------------------------------------------- ---- cho k > 1 (8.1.6)
N
1 φ2) φ( -kdấu
2–
Corr rr ^^ k, () 1 ≈ - ( ) φ ------------------------------------------- - cho k > 1 (8.1.7)
2k 2–
1 -
1 φ2
) (
φ -
Machine Translated by Google
ở đâu
1 nếu φ> 0
=
dấu ( ) φ 0 nếu φ 0 =
–1 nếu φ <0
Bảng trong Hình 8.7 minh họa các công thức này cho nhiều giá trị khác nhau của φ và k.
Chú ý rằng Var
() 1r ^⁄≈1 n là một giá trị gần đúng hợp lý cho k ≥ 2 trong một phạm vi rộng
φ-giá trị.
Hình 8.7 Các phép gần đúng đối với tự tương quan dư trong AR (1)
Mô hình
N
1 0,30 0,50 0,70 0,90 1,00 1,00 1,00 1,00
Nếu chúng ta áp dụng những kết quả này cho mô hình AR (1) được ước tính cho ngành công nghiệp
^
chuỗi thời gian thuộc tính màu với =φ0,57 và n = 35, chúng tôi thu được kết quả hiển thị trong
Hình 8.8.
Hình 8.8 Độ lệch chuẩn gần đúng của giá trị ACF dư
Trễ k 1 2 3 4 5> 5
^ 0,096 0,149 0,163 0,167 0,168 0,169
Var ^ r )
( k
Biểu đồ của ACF mẫu của những phần dư này được thể hiện trong Hình 8.9. Dấu gạch ngang
các đường ngang được vẽ dựa trên sai số tiêu chuẩn độ trễ lớn là ± 2 ⁄ n . Không có
bằng chứng về tự tương quan trong phần dư của mô hình này.
Machine Translated by Google
Hình 8.9 ACF mẫu của phần còn lại từ AR (1) Mô hình cho màu
0,3
0,1
ACF
0,1
0,3
2 4 6 số 8 10 12 14
Lỗi
> win.graph (chiều rộng = 4,875, chiều cao = 3, kích thước điểm = 8)
> acf (phần dư (m1.color))
2
φ2
≈ -----
Var r ^ () 1 (8.1.8)
N
và
2 + ) +( 2
φ2 φ12 1 φ2
Var r()^ 2 ≈ -----------------------------------------
(8.1.9)
N
Nếu các thông số AR (2) không quá gần với ranh giới cố định được hiển thị trong Biểu đồ
4.17 trên trang 72, sau đó
1
Var r ^ k () - với k ≥≈ 3 (8.1.10)
N
Nếu chúng ta phù hợp với mô hình AR (2) † bằng khả năng tối đa là căn bậc hai của thỏ
^ ^ ˆ
–0,776
Var ^ r ^ () 1 ≈ ------------------- = 0,131
35
^ - 2
( ) –0,776 2 + 0,776
) 1,351
+ ())
2 ()
((1≈
Var ^------------------------------------
r
2 ---- = 0,141 --------------------------------------------------
35
† Mô hình AR (2) không hoàn toàn tốt bằng mô hình AR (3) mà chúng tôi đã ước tính trước đó, nhưng nó
vẫn khá phù hợp và là một ví dụ hợp lý ở đây.
Machine Translated by Google
Hình 8.10 hiển thị ACF mẫu của các phần dư từ mô hình AR (2) của
căn bậc hai của sự phong phú của thỏ rừng. Độ trễ 1 tự tương quan ở đây bằng 0,261,
là gần 2 sai số tiêu chuẩn dưới 0 nhưng không khá. Độ trễ 4 tự tương quan bằng
0,318, nhưng sai số tiêu chuẩn của nó là 0,169. Chúng tôi kết luận rằng biểu đồ không hiển thị
bằng chứng có ý nghĩa thống kê về tự tương quan khác không trong các phần dư. †
Hình 8.10 Mẫu ACF của Phần dư từ Mô hình AR (2) cho Hare
0,3
0,1
ACF
0,1
0,3
2 4 6 số 8 10 12 14
Lỗi
Với dữ liệu hàng tháng, chúng tôi sẽ đặc biệt chú ý đến khả năng hấp thụ autocorre
quá mức trong phần còn lại ở độ trễ 12, 24, v.v. Với sê-ri hàng quý, trễ 4, 8, v.v.
thứ tư sẽ đáng chú ý đặc biệt. Chương 10 bao gồm các ví dụ về những ý tưởng này.
Có thể cho thấy rằng kết quả tương tự như kết quả đối với mô hình AR đối với mô hình MA.
Đặc biệt, việc thay thế φ bằng θ trong các phương trình (8.1.5), (8.1.6) và (8.1.7) sẽ cho kết quả
đối với trường hợp MA (1). Tương tự, kết quả cho trường hợp MA (2) có thể được phát biểu bằng cách thay thế φ1
và φ2 tương ứng với θ1 và θ2, trong các Công thức (8.1.8), (8.1.9) và (8.1.10). Kết quả cho
các mô hình ARMA chung có thể được tìm thấy trong Box and Pierce (1970) và McLeod (1978).
Ngoài việc xem xét các mối tương quan còn lại ở các độ trễ riêng lẻ, việc kiểm tra sẽ rất hữu ích
có tính đến độ lớn của chúng như một nhóm. Ví dụ, nó có thể là hầu hết
các tự tương quan còn lại là vừa phải, một số thậm chí gần với giá trị tới hạn của chúng, nhưng,
chụp cùng nhau, chúng có vẻ quá mức. Box và Pierce (1970) đề xuất thống kê
2 ^ ^
Q nr ^
= ( r
) +++ 2 … r (8.1.11)
1 2 2 K
để giải quyết khả năng này. Họ chỉ ra rằng nếu mô hình ARMA (p, q) đúng được giao
phối, thì đối với n lớn, Q có phân phối chi bình phương gần đúng với K - p - q
† Hãy nhớ lại rằng mô hình AR (3) phù hợp với những dữ liệu này thậm chí còn tốt hơn và có ít tự tương quan hơn trong
bậc tự do. Việc phù hợp với một mô hình sai lầm sẽ có xu hướng làm tăng giá trị Q. Do đó, một
Kiểm định "portmanteau" sẽ bác bỏ mô hình ARMA (p, q) nếu giá trị quan sát của Q
vượt quá một giá trị tới hạn thích hợp trong phân phối chi bình phương với K - p - q độ
tự do. (Ở đây độ trễ tối đa K được chọn hơi tùy ý nhưng đủ lớn
rằng trọng lượng ψ là không đáng kể đối với j > K.)
Phân phối chi bình phương cho Q dựa trên một định lý giới hạn như n ∞ , nhưng Ljung
và Box (1978) sau đó đã phát hiện ra rằng ngay cả với n = 100, giá trị gần đúng không
đạt yêu cầu. Bằng cách sửa đổi một chút thống kê Q , họ đã xác định một thống kê thử nghiệm có giá trị rỗng
phân phối gần với chi-square hơn nhiều đối với các cỡ mẫu điển hình. Các sửa đổi
Box-Pierce, hoặc Ljung-Box, thống kê được đưa ra bởi
^2 ^2 ^2
r1 r2 rK
= -----------
+ ++ ------------ n
-----------…
(8.1.12)
Q * n n () 2+
n 1– 2– n K–
Chú ý rằng vì (n + 2) / (n - k)> 1 với mọi k ≥ 1, chúng ta có Q * > Q, điều này một phần
giải thích tại sao thống kê ban đầu Q có xu hướng bỏ qua các mô hình không phù hợp. Thêm chi tiết
về các phân phối chính xác của Q * và Q cho các mẫu hữu hạn có thể được tìm thấy trong Ljung và Box
Hình 8.11 Giá trị tự tương quan dư từ Mô hình AR (1) cho Màu
Trễ k 123456
ACF dư 0.051 0,032 0,047 0,021 0.017 0.019
= ) –0.051 2
----------------------- () 0,032 2
+ -------------------- () 0,047 2
( Q * 35 35 2+ () +
35 1– 35 2– -------------------- 35 3 -
() 0,021 2 + -----------------------
+ -------------------- () –0.017 2 + ) –0.019 2
(-----------------------
≈ 0,28
35 4– 35 5– 35 6–
Điều này được gọi là phân phối chi bình phương với 6 - 1 = 5 bậc tự do. Điều này dẫn
đến giá trị p là 0,998, vì vậy chúng tôi không có bằng chứng nào để bác bỏ giả thuyết vô hiệu rằng lỗi
các điều khoản không liên quan.
Hình 8.12 cho thấy ba công cụ chẩn đoán của chúng tôi trong một màn hình — một biểu đồ trình tự của
phần dư chuẩn hóa, ACF mẫu của phần dư và giá trị p cho
Thống kê kiểm định Ljung-Box cho toàn bộ phạm vi giá trị của K từ 5 đến 15. Chiều ngang
đường đứt nét ở mức 5% giúp đánh giá kích thước của các giá trị p. Trong trường hợp này, mọi thứ trông
rất tốt. Mô hình AR (1) ước tính dường như đang nắm bắt cấu trúc phụ thuộc
của chuỗi thời gian thuộc tính màu khá tốt.
Machine Translated by Google
Hình 8.12 Hiển thị chẩn đoán cho Mô hình AR (1) của Thuộc tính Màu
2
• •• •
• • • • ••• • • •
•• • • • • • •
•
• •
• • • •
•• • •
0 2
chuẩn
tiêu
được
Phần
hóa
dư • •
0 5 10 15 20 25 30 35
0,3
0,1
phần
lại
còn
của
ACF
2 4 6 số 8 10 12 14
• • •
• • • •
• • • •
trị
Giá
P
0,6
0,0
2 4 6 số 8 10 12 14
Như trong Chương 3, thử nghiệm chạy cũng có thể được sử dụng để đánh giá sự phụ thuộc vào các điều khoản lỗi
qua phần dư. Áp dụng thử nghiệm đối với phần dư từ mô hình AR (3) cho chuỗi số lượng dồi dào của
thỏ Cana dian, chúng tôi thu được số lần chạy dự kiến là 16,09677 so với số lần chạy được quan sát
của 18. Giá trị p tương ứng là 0,602, vì vậy chúng tôi không có ý nghĩa thống kê
bằng chứng chống lại sự độc lập của các điều khoản lỗi trong mô hình này.
Công cụ chẩn đoán cơ bản thứ hai của chúng tôi là trang bị quá mức. Sau khi xác định và lắp những gì
chúng tôi tin rằng đó là một mô hình phù hợp, chúng tôi phù hợp với một mô hình tổng quát hơn một chút; đó là một
mô hình "gần" có chứa mô hình ban đầu như một trường hợp đặc biệt. Ví dụ, nếu một
Mô hình AR (2) có vẻ phù hợp, chúng tôi có thể trang bị quá mức với mô hình AR (3). Bản gốc
1. ước lượng của tham số bổ sung, φ3, không khác biệt đáng kể với
không, và
2. ước lượng cho các tham số chung, φ1 và φ2, không thay đổi đáng kể so với ước tính ban đầu của
chúng.
Machine Translated by Google
Ví dụ, chúng tôi đã chỉ định, trang bị và kiểm tra phần còn lại của AR (1)
mô hình cho chuỗi thời gian thuộc tính màu công nghiệp. Phụ lục 8.13 hiển thị kết quả đầu ra từ
phần mềm R phù hợp với mô hình AR (1) và Phụ lục 8.14 cho thấy kết quả từ
lắp mô hình AR (2) với cùng một loạt. Trước tiên, hãy lưu ý rằng, trong Phụ lục 8.14, ước tính của
φ2 không khác 0 về mặt thống kê. Thực tế này hỗ trợ sự lựa chọn của AR (1)
người mẫu. Thứ hai, chúng tôi lưu ý rằng hai ước tính của φ1 khá gần nhau — đặc biệt là khi
chúng tôi tính đến mức độ sai số tiêu chuẩn của chúng. Cuối cùng, lưu ý rằng trong khi
Mô hình AR (2) có giá trị khả năng ghi nhật ký lớn hơn một chút, phù hợp AR (1) có AIC nhỏ hơn
giá trị. Hình phạt cho việc điều chỉnh mô hình AR (2) phức tạp hơn là đủ để chọn
Phụ lục 8.13 AR (1) Kết quả Mô hình cho Dòng Thuộc tính Màu
0,5705 74.3293
se 0,1435 1.9151
sigma ^ 2 được ước tính là 24,83: log-likel Khả năng = -106,07, AIC = 216,15
‡ Nhớ lại rằng điểm đánh chặn ở đây là ước lượng của trung bình quá trình μ — không phải θ0.
Phụ lục 8.14 AR (2) Kết quả mô hình cho chuỗi thuộc tính màu
sigma ^ 2 được ước tính là 24,6: log-khả năng = -105,92, AIC = 217,84
Một trang bị khác cho loạt bài này là thử mô hình ARMA (1,1). Triển lãm
8.15 hiển thị kết quả của sự phù hợp này. Lưu ý rằng sai số tiêu chuẩn của hệ số coef ước tính
cho sự phù hợp này lớn hơn những gì chúng ta thấy trong Hình 8.13 và 8.14. Ít hơn, ước tính của
φ1 từ sự phù hợp này không khác biệt đáng kể so với ước tính trong
Hình 8.13. Hơn nữa, như trước đây, ước lượng của tham số mới, θ, không khác 0 một cách đáng kể.
Hình 8.15 Trang bị quá mức của Mô hình ARMA (1,1) cho Dòng màu
Hệ số: ar1 ma1 Đánh chặn
sigma ^ 2 được ước tính là 24,63: log-likel Khả năng = -105,94, AIC = 219,88
Như chúng tôi đã lưu ý, bất kỳ mô hình ARMA (p, q) nào đều có thể được coi là trường hợp đặc biệt của
mô hình ARMA tổng quát hơn với các tham số bổ sung bằng 0. Tuy nhiên,
khi tổng quát hóa các mô hình ARMA, chúng ta phải nhận thức được vấn đề về tham số
dư thừa hoặc thiếu khả năng nhận dạng.
Để làm rõ những điểm này, hãy xem xét mô hình ARMA (1,2):
Yt φYt
+ = 1– -
- et θ1et 1–
θ2et 2– (8.2.1)
Nếu chúng ta nhân cả hai vế của Phương trình (8.2.2) với bất kỳ hằng số c nào rồi trừ đi
Phương trình (8.2.1), chúng ta thu được (sau khi sắp xếp lại)
Điều này rõ ràng xác định một quy trình ARMA (2,3). Nhưng hãy lưu ý rằng chúng ta có các
yếu tố
1 - (1
) =
φ ()
+ cx
- φx
φcx2
(1 +- cx )
và
- -
- (() + cx θ2 cθ1 ) - = ()x2(1cθ2x3
- cx + 1 θ1 - x θ2x2 1 θ1 )
Do đó, các đa thức đặc trưng AR và MA trong quy trình ARMA (2,3) có
nhân tử chung của (1 - cx). Mặc dù Yt không đáp ứng mô hình ARMA (2,3), rõ ràng
các tham số trong mô hình đó không phải là duy nhất — hằng số c là hoàn toàn tùy ý. chúng tôi
nói rằng chúng ta có dư thừa tham số trong mô hình ARMA (2,3). †
Ý nghĩa đối với các mô hình phù hợp và trang bị quá mức như sau:
1. Chỉ định mô hình ban đầu một cách cẩn thận. Nếu một mô hình đơn giản có vẻ đầy hứa hẹn,
kiểm tra nó trước khi thử một mô hình phức tạp hơn.
2. Khi trang bị quá mức, không tăng đơn đặt hàng của cả phần AR và MA của
mô hình đồng thời.
3. Mở rộng mô hình theo các hướng được gợi ý bởi việc phân tích các phần dư. Vì
ví dụ, nếu sau khi điều chỉnh mô hình MA (1), mối tương quan đáng kể vẫn ở độ trễ 2
trong phần dư, hãy thử MA (2), không phải ARMA (1,1).
Ví dụ, hãy xem xét chuỗi thuộc tính màu một lần nữa. Chúng tôi đã thấy rằng một
Mô hình AR (1) khá phù hợp. Giả sử chúng ta thử một mô hình ARMA (2,1). Kết quả của việc này
2
phù hợp được thể hiện trong Phụ lục 8.16. Lưu ý rằng mặc dù ước tính của và σe
giá trị log-khả năng xảy ra và AIC không quá xa giá trị tốt nhất của chúng, ước tính của φ1,
φ2 và θ khác nhau và không có giá trị nào được coi là khác 0 về mặt thống kê.
Hình 8.16 Mô hình ARMA (2,1) được trang bị quá mức cho dòng thuộc tính màu
Các ý tưởng về phân tích phần dư bắt đầu trong Chương 3 đã được mở rộng đáng kể trong phần này
chương. Chúng tôi đã xem xét các lô khác nhau của các phần còn lại, kiểm tra các thuật ngữ sai
số cho phương sai tương đối, tính bình thường và tính độc lập. Các đặc tính của lượng cặn hấp
thụ mẫu đóng một vai trò quan trọng trong các chẩn đoán này. Thống kê Ljung-Box
Kiểm định portmanteau được thảo luận như một bản tóm tắt của tự tương quan trong các phần dư.
Cuối cùng, các ý tưởng về trang bị quá mức và dư thừa tham số đã được trình bày.
BÀI TẬP
8.1 Đối với mô hình AR (1) với φ ≈ 0,5 và n = 100, độ trễ 1 tự tương quan mẫu của
các phần dư là 0,5. Chúng ta có nên coi điều này là bất thường không? Tại sao hoặc tại sao không?
8.2 Lặp lại bài tập 8.1 cho mô hình MA (1) với θ ≈ 0,5 và n = 100.
8.3 Dựa trên một chuỗi có độ dài n = 200, chúng tôi phù hợp với mô hình AR (2) và thu được phần dư
^ ^ ^ ^ ^
r
tự tương quan của = 0,13, = 0,13, r
và = 0,12. Nếu = r1,1 và = 0,8,φ φ2
1 2 3 1
những tự tương quan còn lại này có hỗ trợ đặc tả AR (2) không? Cá nhân?
Chung?
Machine Translated by Google
(a) Điều chỉnh mô hình MA (1) được chỉ định chính xác và xem biểu đồ chuỗi thời gian của các
phần dư. Cốt truyện có hỗ trợ đặc điểm kỹ thuật MA (1) không? (b) Hiển thị một đồ thị
lượng tử-lượng tử bình thường của các phần dư đã được tiêu chuẩn hóa. Làm
các phần còn lại. Cốt truyện có hỗ trợ đặc tả AR (2) không? (b) Hiển thị một đồ thị
lượng tử-lượng tử bình thường của các phần dư đã được tiêu chuẩn hóa. Làm
mối tương quan. (b) Tính toán thống kê Ljung-Box tổng cho K = 9. Thống kê này có sup
quả. (d) Hiển thị đồ thị bình thường lượng tử-lượng tử của các phần dư. Nhận xét về
kịch bản.
(e) Thực hiện phép thử Shapiro-Wilk về độ chuẩn trên các phần dư.
8.8 Xem xét dữ liệu bán bộ lọc dầu được trình bày trong Phụ lục 1.8 trên trang 7. Dữ liệu trong
tệp có tên bộ lọc dầu.
(a) Phù hợp với mô hình AR (1) với loạt sản phẩm này. Là ước lượng của tham số φ signifi
không thể khác 0 về mặt thống kê?
(b) Hiển thị ACF mẫu của các phần dư từ mô hình được trang bị AR (1). Com
trên màn hình.
Machine Translated by Google
8.9 Tệp dữ liệu có tên rô bốt chứa chuỗi thời gian thu được từ rô bốt công nghiệp.
Robot được thực hiện một chuỗi các thao tác và khoảng cách từ điểm kết thúc mong muốn
được ghi lại bằng inch. Điều này được lặp lại 324 lần để tạo thành chuỗi thời gian.
So sánh sự phù hợp của mô hình AR (1) và mô hình IMA (1,1) cho những dữ liệu này về
các xét nghiệm chẩn đoán được thảo luận trong chương này.
8.10 Tệp dữ liệu có tên deere3 chứa 57 giá trị liên tiếp từ một máy công cụ phức tạp của
Deere & Co. Các giá trị đưa ra là độ lệch so với giá trị mục tiêu tính bằng đơn vị
mười phần triệu inch. Quá trình sử dụng một cơ chế điều khiển để đặt lại một số thông
số của máy công cụ tùy thuộc vào độ phóng đại của độ lệch so với mục tiêu của mặt
hàng cuối cùng được sản xuất. Chẩn đoán sự phù hợp của mô hình AR (1) đối với những
dữ liệu này theo các thử nghiệm được thảo luận trong chương này.
8.11 Hình 6.31 trên trang 139, đề xuất chỉ định mô hình AR (1) hoặc có thể là mô hình AR
(4) cho sự khác biệt của logarit của chuỗi giá dầu. (Tên tệp là oil.price). (a) Ước
tính cả hai mô hình này bằng cách sử dụng khả năng xảy ra tối đa và so sánh kết quả
bằng cách sử dụng các thử nghiệm chẩn đoán được xem xét trong chương này.
(b) Hình 6.32 trên trang 140, đề xuất chỉ định mô hình MA (1) cho sự khác biệt của
các bản ghi. Ước lượng mô hình này theo khả năng xảy ra tối đa và thực hiện các
thử nghiệm chẩn đoán được xem xét trong chương này.
(c) Bạn thích mô hình nào trong số ba mô hình AR (1), AR (4) hoặc MA (1) khi đưa ra
kết quả của phần (a) và (b)?
Machine Translated by Google
CHƯƠNG 9
DỰ BÁO
Một trong những mục tiêu chính của việc xây dựng mô hình cho một chuỗi thời gian là có thể tính toán
trước các giá trị cho chuỗi đó vào các thời điểm trong tương lai. Điều quan trọng không kém là việc đánh giá
độ chính xác của những dự báo đó. Trong chương này, chúng ta sẽ xem xét việc tính toán các phôi
trước và các thuộc tính của chúng cho cả mô hình xu hướng xác định và mô hình ARIMA. Phân tích trước
cho các mô hình kết hợp xu hướng xác định với các thành phần ngẫu nhiên ARIMA
cũng được coi là.
Đối với hầu hết các phần, chúng tôi sẽ giả định rằng mô hình được biết chính xác, bao gồm các
giá trị cụ thể cho tất cả các tham số. Mặc dù điều này không bao giờ đúng trong thực tế, việc sử
dụng các tham số kết hợp esti cho các cỡ mẫu lớn không ảnh hưởng nghiêm trọng đến kết quả.
Dựa trên lịch sử có sẵn của chuỗi cho đến thời điểm t, cụ thể là Y1, Y2,…, Yt - 1, Yt , muốn dự chúng tôi
báo giá trị của Yt + l sẽ xảy ra với đơn vị thời gian trong tương lai. chúng tôi
gọi thời gian t ^là điểm gốc dự báo và l là thời gian dẫn đầu cho dự báo, và biểu thị thời gian diễn
ra chính nó là Y () l .
t
Như được trình bày trong Phụ lục F, dự báo sai số bình phương trung bình tối thiểu được đưa ra bởi
^
Y (9.1.1)
t (() l E Yt + |l Y1) Y2
,,,… Yt =
(Phụ lục E và F trên trang 218 xem xét các đặc tính của kỳ vọng có điều kiện và
Việc tính toán và các thuộc tính của kỳ vọng có điều kiện này liên quan đến việc đúc trước sẽ
là mối quan tâm của chúng tôi trong phần còn lại của chương này.
Hãy xem xét một lần nữa mô hình xu hướng xác định của Chương 3,
(9.2.1)
Yt μt Xt + =
trong đó thành phần ngẫu nhiên, Xt, có giá trị trung bình bằng 0. Đối với phần này, chúng tôi sẽ
giả sử rằng {Xt } trên thực tế là nhiễu trắng với phương sai γ0. Đối với mô hình trong Phương trình
(9.2.1), chúng tôi có
191
Machine Translated by Google
192 Dự báo
^
Y t () l= E + Y1 ) Y2,,,
( μt + l Xt + l| … Yt
= E
(μt|+ Y1
l Y2Yt… ) ,,, + ( | Y + l
E Xt 1 ) Y2,,,
… Yt
+ =μt ()
+ l E Xt + l
hoặc
^
l μ=
Y t () (9.2.2)
t + l
vì đối với l ≥ 1, Xt + l độc lập với Y1, Y2,…, Yt - 1, Yt và có giá trị kỳ vọng bằng không.
Do đó, trong trường hợp đơn giản này, dự báo tương đương với việc ngoại suy thời gian xác định
xu hướng trong tương lai.
^
Y t ()
l β 0
β1 + = ( t + l) (9.2.3)
Như chúng tôi đã nhấn mạnh trong Chương 3, mô hình này giả định rằng cùng một xu hướng thời gian
tuyến tính cho mỗi người sẽ xuất hiện trong tương lai và dự báo phản ánh giả định đó. Lưu ý rằng nó thiếu
sự phụ thuộc thống kê giữa Yt + l và Y1, Y2,…, Yt - 1, Yt ngăn cản chúng ta
cải thiện trên μt + l như một dự báo.
^
= dự báo
Đối với các mô hình theo mùa, ví dụ, μt μt + 12 Do đó, , dự báo của chúng tôi là Y t ()
t +
=l
μ +
=
^ 12 l
Y t (l 12+ ).cũng sẽ theo chu kỳ, như mong muốn.
- + =
μt + l Xt + l μt + l
=
Xt + l
để có thể
= = 0
E et (()
Xt +()
l)l E
= = (9.2.4)
Var et () () l () +γ0l
Var Xt
Mô hình xu hướng cosine cho chuỗi nhiệt độ trung bình hàng tháng đã được ước tính
trong Chương 3 trên trang 35 như
Ở đây, thời gian được đo bằng năm với giá trị bắt đầu là tháng 1 năm 1964, tần số f = 1 mỗi
năm, và giá trị quan sát cuối cùng là cho tháng 12 năm 1975. Để dự báo giá trị nhiệt độ tháng 6
năm 1976, chúng tôi sử dụng t = 1976,41667 làm giá trị thời gian † và thu được
-
= 46,2660 (26,7079 + () –2.1697 sin (2π () 1976.41667 )
μ ^
t
+) cos (2π () 1976,41667)
68,3 ° F =
Dự báo cho các tháng khác cũng được thu thập tương tự.
Đối với mô hình ARIMA, các dự báo có thể được thể hiện theo nhiều cách khác nhau. Mỗi
biểu hiện góp phần vào sự hiểu biết của chúng tôi về quy trình dự báo tổng thể với
liên quan đến tính toán, cập nhật, đánh giá độ chính xác hoặc hành vi dự báo dài hạn.
AR (1)
Trước tiên, chúng tôi sẽ minh họa nhiều ý tưởng bằng quy trình AR (1) đơn giản với dấu khác
có nghĩa là thỏa mãn
= + (9.3.1)
Yt - μ φ Yt 1–( ) - μ et
Hãy xem xét vấn đề dự báo một đơn vị thời gian vào tương lai. Thay t bằng t + 1 trong
Phương trình (9.3.1), chúng ta có
= + (9.3.2)
Yt 1+ - μ φ Yt () - μ et 1+
Với Y1, Y2,…, Yt - 1, Yt , chúng ta lấy các kỳ vọng có điều kiện của cả hai vế của Equa
tion (9.3.2) và thu được
^
Y () μ 1 - = (9.3.3)
t (φ[]E Yt | Y1
Yt Y2
) ,,,
… + (-
1+μ |E Y1
et Y2 … Yt ) ,,,
Bây giờ, từ các thuộc tính của kỳ vọng có điều kiện, chúng ta có
( E Yt |Yt
Y1)Y2
,,,
… Yt = (9.3.4)
Ngoài ra, vì et + 1 độc lập với Y1, Y2, …, Yt - 1, Yt , chúng tôi thu được
= () 1+ = 0 (9.3.5)
( E et 1+ |YtY1) Y2
,,,… E et
^
Y 1 () μ φ (9.3.6)
t Yt + = () - μ
Nói cách khác, một tỷ lệ φ của độ lệch hiện tại so với giá trị trung bình của quá trình được thêm vào
quá trình có nghĩa là để dự báo giá trị quá trình tiếp theo.
Bây giờ hãy xem xét một thời gian dẫn chung l. Thay t bằng t + l trong Công thức (9.3.1) và tak
^
từ ( E Yt l |1–Y1+ Y2
) ,,,
… YtY = (l t 1– độc lập với Y1,
) và, với l ≥ 1, et + l
Y2, …, Yt - 1, Yt .
Machine Translated by Google
194 Dự báo
Phương trình (9.3.7), được đệ quy trong thời gian dẫn đầu l, cho biết cách dự báo cho
bất kỳ thời gian dẫn đầu nào tôi cũng có thể được xây dựng từ các dự báo để có thời gian dẫn đầu ngắn hơn bằng cách bắt đầu với
^ ^
dự báo ban đầu () 2 Y t () 1 được tính bằng Công thức (9.3.6). Dự báo, v.v. Yt sau đó là
^ ^ ^ ^
thu được từ Y t 2 () [μ φ + = Y t ] () μ 1 - , sau đó Y t () 3 từ Y t () 2, cho đến khi
^
mong muốn Y () l được tìm thấy. Phương trình (9.3.7) và các khái quát của nó cho các mô hình ARIMA khác
t
thuận tiện nhất cho việc thực sự tính toán các dự báo. Phương trình (9.3.7) đôi khi là
được gọi là dạng phương trình chênh lệch của các dự báo.
Tuy nhiên, Công thức (9.3.7) cũng có thể được giải để mang lại một biểu thức rõ ràng cho
dự báo về lịch sử quan sát của chuỗi. Lặp đi lặp lại trên l trong Equa tion (9.3.7), chúng
ta có
^ ^
Y t () φ= l[ Y t ] μ () μ l 1– - +
^
= {[φ
Y φ t () μ l 2– -]} + μ
.
.
.
^
=
φl 1– [ Y t ] μ () μ 1 - +
hoặc
^
Y t ll () μ φ (9.3.8)
Yt + = () - μ
Độ lệch hiện tại so với giá trị trung bình được chiết khấu bởi một hệ số φl , có độ lớn
giảm khi tăng thời gian dẫn. Sau đó, độ lệch chiết khấu được thêm vào giá trị trung bình
chuyên nghiệp để tạo ra dự báo l.
Như một ví dụ số, hãy xem xét mô hình AR (1) mà chúng tôi đã trang bị cho chuỗi thời gian
thuộc tính màu dùng thử indus. Các kết quả ước tính khả năng xảy ra tối đa được trình bày tương
đương trong Phụ lục 7.7 trên trang 165, nhưng các kết quả đầy đủ hơn được trình bày trong Phụ lục
9.1.
Phụ lục 9.1 Ước tính khả năng xảy ra tối đa của Mô hình AR (1) cho Màu sắc
0,5705 74.3293
se 0,1435 1.9151
† Hãy nhớ rằng điểm chặn ở đây là ước lượng của trung bình quá trình μ — không phải θ0.
Đối với mục đích minh họa, chúng tôi giả định rằng các ước tính φ = 0,5705 và μ = 74,339 là
các giá trị đích thực. Các dự báo cuối cùng sau đó có thể được làm tròn.
Machine Translated by Google
Giá trị quan sát cuối cùng của thuộc tính màu là 67, vì vậy chúng tôi sẽ dự báo một lần
kỳ trước là †
^
Y () 1 = 74.3293 0.5705 + () (67 74.3293 - )
t
= 74.3293 4,181366 -
= 70.14793
^
Y () 2 = 74.3293 0.5705
+ -
t 70.14793
( 74.3293)
= 74.3293 2.385472 -
= 71,94383
^
Y () 2 = 2 74.3293+ 0.5705 ((67
) 74.3293 - )
t
= 71,92823
^
Y () 5 = 5 74.3293+ 0.5705 ((67
) 74.3293 - )
t
= 73,88636
gần bằng μ (= 74.3293). Khi báo cáo những dự báo này, chúng tôi có thể sẽ
Vòng tới thứ mười gần nhất.
^
Y () μ l ≈ đối với l lớn (9.3.9)
t
Sau đó, chúng ta sẽ thấy rằng Công thức (9.3.9) phù hợp với tất cả các mô hình ARMA tĩnh .
Bây giờ hãy xem xét lỗi dự báo trước một bước, et () 1 . Từ phương trình (9.3.2)
và (9.3.6), chúng tôi có
^
Y
et () 1 -Yt=1+() 1 t
= + + ] - [φYt () μ - μ +
[φ()Ytμ - μ ] et 1+
hoặc
= (9.3.10)
et () 1 et 1+
† Vì lỗi làm tròn sẽ tích lũy, bạn nên sử dụng nhiều chữ số thập phân khi thực hiện
tính toán đệ quy.
Machine Translated by Google
196 Dự báo
Quá trình tiếng ồn trắng {et } hiện có thể được diễn giải lại như một chuỗi trước một bước
dự báo sai số. Chúng ta sẽ thấy rằng Công thức (9.3.10) vẫn tồn tại đối với hoàn toàn tổng quát
Mô hình ARIMA. Cũng lưu ý rằng Công thức (9.3.10) ngụ ý rằng sai số dự báo et () 1 Là
độc lập với lịch sử của quá trình Y1, Y2, …, Yt - 1, Yt cho đến thời điểm t. Nếu đây là
không phải vậy, sự phụ thuộc có thể được khai thác để cải thiện dự báo của chúng tôi.
Công thức (9.3.10) cũng ngụ ý rằng phương sai dự báo trước một bước của chúng tôi là
được cho bởi
= 2
(9.3.11)
Var et () σ () 1e
Để điều tra các thuộc tính của lỗi dự báo cho các khách hàng tiềm năng dài hơn, thật tiện lợi để
∞ (), ở dạng. Từ phương trình
thể hiện mô hình AR (1) trong quá trình tuyến tính tổng quát, hoặc MA
(4.3.8) trên trang 70, chúng tôi nhớ lại rằng
= ++
et +φet 1– φ2et 2– φ3et +… (9.3.12)
Yt 3–
Khi đó, các phương trình (9.3.8) và (9.3.12) cùng mang lại kết quả
=
et () l
Yt + l
- μ -φl()Yt- μ
= e + φe
++ +
t + l t l 1– +
… Φl 1– et 1+ φl et
( L et et+ 1– +
- … +… )
để có thể
= e + φe
++ (9.3.13)
et () l
t + l t l 1– +
… Φl 1– et 1+
= e + + ++ (9.3.14)
et () l
t + l ψ1e ψ2e
t l 1– + l 2– + t … Ψl 1– et 1+
Phương trình (9.3.14) sẽ được hiển thị để giữ cho tất cả các mô hình ARIMA (xem Công thức (9.3.43)
+ + 2++
Var et () σ() le2 =1 (ψ1
2
(9.3.15)
2 ψ2 )… Ψl 1–
Chúng ta thấy rằng phương sai sai dự báo tăng lên khi l dẫn tăng. Ngược lại điều này
với kết quả được đưa ra trong Công thức (9.2.4) trên trang 192, cho các mô hình xu hướng xác định.
= 2 1 φ2l -
----------------
Var et () σ () l e (9.3.16)
1 φ2 -
mà chúng ta thu được bằng cách tính tổng một chuỗi hình học hữu hạn.
2
σe
Var et () () l ≈ -------------- cho l (9.3.17)
1 φ2 -
≈ = (9.3.18)
Var et (())l Var Yt () γ0 cho tôi lớn
Phương trình (9.3.18) sẽ được chứng minh là hợp lệ cho tất cả các quy trình ARMA tĩnh (xem
Phương trình (9.3.39) trang 201).
MA (1)
Để minh họa cách giải quyết các vấn đề nảy sinh trong việc dự báo đường trung bình động hoặc
mô hình hỗn hợp, hãy xem xét trường hợp MA (1) với giá trị trung bình khác:
- + =
Yt μ et θet 1–
Một lần nữa thay t bằng t + 1 và lấy kỳ vọng có điều kiện của cả hai bên, chúng ta có
^
Y (9.3.19)
t 1 () μ θ - =E ()
et ,,,
| Y1 Y2 … Yt
Tuy nhiên, đối với một mô hình khả nghịch, Công thức (4.5.2) trên trang 80 cho thấy et là
một hàm của Y1, Y2, …, Yt , v.v.
E ()
et ,,,
| Y1etY2= … Yt (9.3.20)
Trên thực tế, một phép gần đúng có liên quan đến phương trình này vì chúng ta chỉ điều chỉnh trên
Y1, Y2, …, Yt và không dựa trên lịch sử vô hạn của quá trình. Tuy nhiên, nếu như trong thực tế, t
lớn và mô hình không thể đảo ngược, sai số trong tính gần đúng sẽ rất nhỏ. Nếu
mô hình không thể đảo ngược — ví dụ: nếu chúng tôi đã sai lệch dữ liệu — thì
Phương trình (9.3.20) thậm chí không gần đúng giá trị; xem Harvey (1981c, tr.161).
Sử dụng các Công thức (9.3.19) và (9.3.20), chúng tôi có dự báo trước một bước về
MA nghịch đảo (1) được biểu thị bằng
^
Y 1 () μ θ et (9.3.21)
t - =
Việc tính toán et sẽ là sản phẩm phụ của việc ước lượng các tham số trong mô hình.
Lưu ý một lần nữa rằng lỗi dự báo trước một bước là
^
Y
et () 1 - Yt
= () 1 t
=
1+
(μμet
- 1+
+ θet
θet)--()
=
et 1+
như trong Công thức (9.3.10), và do đó Công thức (9.3.11) cũng thu được.
Đối với thời gian dẫn đầu lâu hơn, chúng tôi có
^
Y =
t l et + l
+ E
() ,,, θE - ()
| Y1 Y2 ,,,
… Yt | Y1 Y2 … Yt () μ
et l 1– +
Machine Translated by Google
198 Dự báo
Nhưng, với l> 1, cả et + l và et + l - 1 đều độc lập với Y1, Y2,…, Yt . Do đó,
các giá trị kỳ vọng có điều kiện này là các giá trị kỳ vọng vô điều kiện, cụ thể là không,
và chúng ta có
^
Y ()l =
μ cho l> 1 (9.3.22)
t
Lưu ý ở đây rằng Công thức (9.3.9) trên trang 195 đúng với trường hợp MA (1) khi l>
Để minh họa dự báo với chuỗi ARIMA không cố định, hãy xem xét bước đi ngẫu nhiên
với sự trôi dạt được xác định bởi
= + + (9.3.23)
Yt Yt 1– θ0 et
Nơi đây
^
Y =
t () 1 E Yt( | Y1 Yt
Y2 )
… ,,, θ0 E
()et
,,,
1+ | Y1 Y2 … Yt + +
để có thể
^
Y () 1 (9.3.24)
t Yt θ0 + =
Tương tự, dạng phương trình chênh lệch cho dự báo l dẫn là
^ ^
Y () l= Y (9.3.25)
t t () θ l 1–
+ đối
0 với l ≥ 1
Ngược lại với Công thức (9.3.9) ở trang 195, nếu θ0 0, thì dự báo không hội tụ cho
dây dẫn dài nhưng theo đường thẳng có hệ số góc θ0 với mọi l.
Lưu ý rằng sự có mặt hoặc vắng mặt của số hạng không đổi θ0 làm thay đổi đáng kể
bản chất của dự báo. Vì lý do này, các thuật ngữ không đổi không nên được bao gồm trong các mô
hình ARIMA tĩnh không nonsta trừ khi bằng chứng rõ ràng rằng giá trị trung bình của các sai khác
sê-ri khác với số không đáng kể. Phương trình (3.2.3) trên trang 28 cho phương sai
của giá trị trung bình của mẫu sẽ giúp đánh giá mức ý nghĩa này.
Tuy nhiên, như chúng ta đã thấy trong trường hợp AR (1) và MA (1), trước một bước
lỗi truyền là
^
= Y =
et () 1 Yt 1+ - ()t 1 et 1+
Cũng thế
Machine Translated by Google
^
- =Yt () Yt
et () l + l l
= ( … E )
+ +et ++
Yt lθ0 1+ -Yt
( lθ0 ) + t + l
= + ++ … E
et 1+ et 2+ t + l
đồng ý với Công thức (9.3.14) ở trang 196 vì trong mô hình này ψj = 1 với mọi j.
(Xem Công thức (5.2.6) trên trang 93 với θ = 0.)
Vì vậy, như trong Công thức (9.3.15), chúng ta có
l 1–
= 2 2 = 2
(9.3.27)
Var et () σ () l e Tôiψj_
j 0 =
Ngược lại với trường hợp đứng yên, ở đây Var et () () l phát triển không giới hạn như dự báo
thời gian dẫn l tăng lên. Chúng ta sẽ thấy rằng thuộc tính này là đặc trưng của lỗi dự báo
phương sai cho tất cả các quy trình ARIMA không cố định .
ARMA (p, q)
Đối với mô hình ARMA cố định (p, q) tổng quát , dạng phương trình chênh lệch để tính toán
các dự báo được đưa ra bởi
^ ^ ^ ^
Y t() =
l φ
1Y t() φ l +1– 2Yt() ++
2–…l φpY t ()
+
θ l - p 0
- -
| Y1()
Y2,,,
… Yt | et
θ2E Y1 l
Y22–
… +
Yt ( θ1E et l 1– + ) ,,, (9.3.28)
-
θqE et l - + Y1)Y2,,,
| q … Yt (-…
ở đâu
0
cho j > 0
= (9.3.29)
E …etYtj ()
+ |,,,
Y1 Y2
e tj + cho j ≤ 0
^ ^
Chúng tôi chú ý điều đó Y t( ) j là một dự báo đúng cho j > 0, nhưng cho j ≤ 0, Y t( ) j= Như trong
. Phương
Yt j +
trình (9.3.20) ở trang 197, Phương trình (9.3.29) liên quan đến một số xấp xỉ nhỏ. Vì
một mô hình khả nghịch, Công thức (4.5.5) trên trang 80 cho thấy rằng, sử dụng trọng số π, et có thể
được biểu diễn dưới dạng kết hợp tuyến tính của dãy vô hạn Yt , Yt - 1, Yt - 2,…. Đã
bao giờ, trọng số π lại chết nhanh theo cấp số nhân và tính gần đúng giả định rằng πj là
không đáng kể đối với j > t - q.
với
^ ^
Y t() φ+ 2= Y t() θ 1 0
và nói chung,
Machine Translated by Google
200 Dự báo
^ ^
Y ()l φ= Y () θ l 1–
+ đối với l ≥ 2 (9.3.31)
t t 0
^
Y l+ ()
= -
μ φ l Yt () φ - μ
l 1–
cho l ≥ 1 (9.3.32)
t et
Như các Công thức (9.3.28) và (9.3.29) chỉ ra, các thuật ngữ nhiễu et - (q - 1),…, et - 1, et
xuất hiện trực tiếp trong việc tính toán các dự báo cho các khách hàng tiềm năng l = 1, 2,…, q. Tuy nhiên, đối với
l> q, phần tự động hồi quy của phương trình chênh lệch tiếp nhận, và chúng ta có
^ ^ ^ ^
Y ()l φ=
t 1Y t () φ l +1– 2Y t()
2–…
++
l φpY t () θ l 0- +p với l> q (9.3.33)
Do đó, bản chất chung của dự báo trong thời gian dài sẽ được xác định bởi
tham số tự động hồi quy φ1, φ2,…, φp (và số hạng không đổi, θ0, có liên quan đến
trung bình của quá trình).
- -
Nhắc lại từ Công thức (5.3.17) ở trang 97 rằng = 1( φ1
θ0 φ2
μ - -… φp ) chúng ta ,
có thể viết lại Công thức (9.3.33) theo độ lệch so với μ là
^ ^ ^
Y () μ l - = [ φ1 Y() μ l 1– -]+ φ [Y () μ l 2– -] + …
t t 2 t
^ (9.3.34)
+ [ φp tY] () μ l - p - với l> q
^
Là một hàm của thời gian dẫn Y () μ l - tuân theo cùng một đệ quy Yule-Walker như
t
l, hàm tự tương quan ρk của quá trình (xem Công thức (4.4.8), trang 79). Vì vậy, như trong
Phần 4.3 trên trang 66 và Phần 4.4 trên trang 77, các gốc của đặc trưng equa ^
tion sẽ xác định hành vi chung của Y () μ l -cho thời gian dẫn lớn. Đặc biệt,
^ t
Y () μ l - có thể được biểu thị dưới dạng kết hợp tuyến tính của các số hạng giảm dần theo cấp số nhân trong l
t
(tương ứng với các gốc thực) và các thuật ngữ sóng sin giảm xóc (tương ứng với
cặp gốc phức).
^
Do đó, đối với bất kỳ mô hình ARMA cố địnhYnào,
t
() μ giảm
l - xuống 0 khi l tăng, và
dự báo dài hạn chỉ đơn giản là trung bình quá trình μ như được cho trong Công thức (9.3.9) trên
trang 195. Điều này đồng ý với quan điểm chung vì đối với các mô hình ARMA tĩnh,
sự phụ thuộc sẽ mất dần khi khoảng thời gian giữa các lần quan sát tăng lên, và sự suy
giảm này là lý do duy nhất chúng ta có thể cải thiện dự báo “ngây thơ” khi chỉ sử dụng μ.
Lập luận về tính hợp lệ của Công thức (9.3.15) đối với et () l trong tổng thể hiện tại, chúng tôi
cần phải xem xét một đại diện mới cho các quy trình ARIMA. Phụ lục G cho thấy rằng
bất kỳ mô hình ARIMA nào cũng có thể được viết ở dạng quy trình tuyến tính được cắt ngắn như
trong đó, với mục đích hiện tại của chúng ta, chúng ta chỉ cần biết rằng Ct (l) là một hàm nhất định của Yt ,
Yt-1,… và
= e + + ++ cho l ≥ 1 (9.3.36)
Nó () l
t + l ψ1e t l 2– + t ψ2e … Ψl 1– et 1+ l 1– +
Machine Translated by Google
Hơn nữa, đối với các mô hình đảo ngược có t lớn hợp lý, Ct (l) là một hàm nhất định của
lịch sử hữu hạn Yt , Yt - 1,…, Y1. Vì vậy, chúng tôi có
^
Y t () l= E Ct
Yt ()
() l,,,
| Y1
+ ()
Y2 ,,,
… Yt E It () l | Y1 Y2 …
Ct = () l
Cuối cùng,
^
et () l - =Yt()
+ ll
Yt
= [
Ct () +l ()
Nó l] Ct
() -l
Nó = () l
= e
t + +l ψ1e + ++
ψ2e
l 1– + t l 2– + t … Ψl 1– et 1+
Do đó, đối với một quy trình ARIMA có thể đảo ngược chung,
E et [] () l = 0 cho l ≥ 1 (9.3.37)
và
l 1–
2
= e
Var et () σl () ψj2 cho l ≥ 1 (9.3.38)
j 0 =
Từ công thức (4.1.4) và (9.3.38), chúng ta thấy rằng thời gian dẫn dài ở trạng thái tĩnh
Mô hình ARMA, chúng tôi có
∞
2 2
Var et () σ() le ≈ ψj
j 0 =
hoặc
0
≈ lcho
Var et () γ () l (9.3.39)
Như cuộc dạo chơi ngẫu nhiên cho thấy, dự báo cho các mô hình ARIMA không tĩnh khá
giống với dự báo cho các mô hình ARMA tĩnh, nhưng có một số khác biệt nổi bật.
Nhớ lại Công thức (5.2.2) ở trang 92 rằng mô hình ARIMA (p, 1, q) có thể được viết dưới dạng
một mô hình ARMA (p + 1, q) không cố định, Chúng tôi sẽ viết điều này là
Yt = + 2– ϕ3Yt+ 3–
ϕ1Yt 1– ϕ2Yt ++ + … ΦpYt p - ϕp 1+ Yt p - 1 -
(9.3.40)
+ et -
- θ1et 1– θ2et -
2– -… qet q -
trong đó hệ số tập lệnh ϕ liên quan trực tiếp đến hệ số khối φ. Đặc biệt,
Machine Translated by Google
202 Dự báo
+ = , = - =
ϕ1 1 φ1 ϕj φj φj 1– 1 2 cho j ,,,… p
và (9.3.41)
ϕp 1+ φp - =
Đối với một bậc tổng quát của sai phân d, chúng ta sẽ có p + d của ϕ hệ số.
Từ biểu diễn này, chúng ta có thể mở rộng ngay lập tức các Công thức (9.3.28), (9.3.29),
và (9.3.30) trên trang 199 để đề cập đến các trường hợp không tĩnh bằng cách thay p bằng p + d và φj
bởi ϕj .
Để làm ví dụ về các phép tính cần thiết, hãy xem xét trường hợp ARIMA (1,1,1).
Nơi đây
- = + + -
Yt Yt 1– ( Yt 1– Ytθ 2–
- 0) et θet 1–
để có thể
= - + + -
Yt ()φ 1Yt+ 1– φYt 2– θ0 et et 1–
Như vậy
^
Y () 1
= () 1 + - - θ0
+ θet
t φ Yt φYt 1–
^ ^
Y () 2
= ()φ 1Y + () φYt1 - + θ0
t t
(9.3.42)
và
^ ^ ^
Y () l
= ()φ 1Y + () φ l -1–()Yt lθ02–+
t t
Đối với mô hình ARIMA có thể đảo ngược chung, biểu diễn quy trình tuyến tính được cắt ngắn
được đưa ra trong các phương trình (9.3.35) và (9.3.36) và các phép tính sau các phương trình này
cho thấy rằng chúng ta có thể viết
= e + + ++ cho l ≥ 1 (9.3.43)
et () l
t + l ψ1e ψ2e
l 1– + l 2– + t … Ψl 1– et 1+ t
và vì thế
E et () () l = 0 cho l ≥ 1 (9.3.44)
và
l 1–
2 2 cho l ≥ 1
Var et () σ
() le = (9.3.45)
ψj
j 0 =
Tuy nhiên, đối với chuỗi không tĩnh, trọng số ψj không phân rã về 0 khi j tăng.
Ví dụ, đối với mô hình đi bộ ngẫu nhiên, ψj = 1 với mọi j; đối với mô hình IMA (1,1), ψj =
1 θ với j ≥ 1; đối với trường hợp IMA (2,2), ψj = 1 + θ2 + (1 - θ1 - θ2) j với j ≥ 1; và cho
Mô hình ARI (1,1), ψj = (1 - φ j + 1) / (1 - φ) với j ≥ 1 (xem Chương 5).
Do đó, đối với bất kỳ mô hình tĩnh nào, Công thức (9.3.45) cho thấy rằng lỗi dự báo
phương sai sẽ tăng lên mà không bị ràng buộc khi thời gian dẫn l tăng lên. Sự thật này không nên
quá ngạc nhiên vì với loạt phim không tĩnh, tương lai xa là khá bất định.
Machine Translated by Google
Như trong tất cả các nỗ lực thống kê, ngoài việc dự báo hoặc dự đoán Yt + l chưa biết ,
chúng tôi muốn đánh giá độ chính xác của các dự đoán của chúng tôi.
Đối với mô hình xu hướng xác định với thành phần ngẫu nhiên nhiễu trắng {Xt }, chúng tôi
nhớ lại điều đó
^
Y t () =
t +
μ l
và
= =
Var et () () l Var Xt
l ()
+ γ0
Nếu thành phần ngẫu nhiên được phân phối bình thường, thì lỗi dự báo
^
= Y = (9.4.1)
et () l Yt + l - () l Xt + lt
cũng được phân phối bình thường. Do đó, đối với mức độ tin cậy 1 - α đã cho, chúng ta có thể sử dụng
Var et () () l
Do đó, chúng tôi có thể (1 - α) 100% tin tưởng rằng quan sát trong tương lai Yt + l sẽ
nằm trong giới hạn dự đoán
^
Yt ± (9.4.2)
Var
() l z1 - α ⁄ 2 () () l et
Như một ví dụ số, hãy xem xét chuỗi nhiệt độ trung bình hàng tháng một lần
hơn. Trên trang 192, chúng tôi đã sử dụng mô hình cosine để dự đoán nhiệt độ trung bình
tháng 6 năm 1976 là 68,3 ° F. Ước tính của () = và ()đối
l Var γ với
giới
mô hạn
hình dự đoán
nàylà cho
là 3,7 nhiệt
° F. độ 95%
Như vậy
trung bình 0tháng 6 năm 1976
1,96 ±
3,7 ° F()đến
= 68,3 ° F± hoặc 61,05 68,3
75,557.252
Những độc giả quen thuộc với phân tích hồi quy chuẩn sẽ nhớ lại rằng vì
dự báo liên quan đến các tham số hồi quy ước tính , phương sai sai dự báo đúng là
được cho bởi γ0 [1 + (1 / n) + cn, l], trong đó cn, l là một hàm nhất định của cỡ mẫu n và
thời gian dẫn l. Tuy nhiên, nó có thể được chỉ ra rằng đối với các loại xu hướng mà chúng ta
đang xem xét (cụ thể là cosin và đa thức theo thời gian) và đối với kích thước mẫu lớn n, 1 / n và
cn, l đều không đáng kể so với 1. Ví dụ, với xu hướng cosin của chu kỳ 12 qua
N = n / 12 năm, chúng ta có cn, l = 2 / n; do đó, phương sai sai dự báo chính xác là
Machine Translated by Google
204 Dự báo
γ0 [1 + (3 / n)] chứ không phải γ0 gần đúng của chúng ta. Đối với mô hình xu hướng thời gian tuyến tính, có thể
chỉ ra rằng cn, l = 3 (n + 2l - 1) 2 / [n (n2 - 1)] ≈ 3 / n đối với đạo trình vừa phải l và n lớn. Do đó, một
lần nữa ước tính gần đúng của chúng tôi có vẻ hợp lý.
Mô hình ARIMA
Nếu các thuật ngữ nhiễu trắng {et } trong chuỗi ARIMA chung, mỗi thuật ngữ phát sinh độc lập với
phân phối chuẩn, thì từ Công thức (9.3.43) trên trang 202, lỗi dự báo et () l cũng sẽ có phân
phối chuẩn
hướng và
xáccác
định,
bướchãy
dẫnnhớ
đếnlại
Công
rằng
thức
trong
(9.4.2)
trường
vẫnhợp
hợphiện
lệ. tại
Tuy nhiên, ngược lại với mô hình xu
l 1–
2 2
Var et () σ ()
= l e ψj
j 0 =
Trong thực tế, 2 sẽ là ẩn số và phải được ước tính từ chuỗi thời gian quan sát được.
σe Các trọng số cần thiết, tất nhiên, cũng là ẩn số vì chúng là một số chức năng của các trọng
số φ và θ chưa biết. Đối với cỡ mẫu lớn, những ước lượng này sẽ ít ảnh hưởng đến các giới hạn dự
đoán thực tế được đưa ra ở trên.
Như một ví dụ số, hãy xem xét mô hình AR (1) mà chúng tôi đã ước tính cho chuỗi thuộc tính
màu dùng thử indus. Từ Hình 9.1 trên trang 194, chúng tôi sử dụng φ = 0,5705, μ = 74,339 và =
2
24,8. Đối với môσehình AR (1), chúng tôi nhớ lại Công thức (9.3.16) trên trang 196
= 2 ----------------
1 φ2l -
Var et () σ () l e
1 φ2 -
Chú ý rằng khoảng thời gian dự đoán này rộng hơn khoảng thời gian trước đó. Dự báo trước mười
bước dẫn đến
74,173934 11,88451 hoặc 62,42 đến 86,19 ±
Đến khách hàng tiềm năng 10, cả giới hạn dự báo và giới hạn dự báo đã giảm xuống giá trị dẫn đầu dài hạn
của chúng.
Thay vì hiển thị các tính toán dự báo và giới hạn dự báo, việc hiển thị các ô phù hợp của các dự
báo và giới hạn của chúng thường mang tính hướng dẫn hơn.
Machine Translated by Google
Hình 9.2 hiển thị bốn năm qua của chuỗi thời gian nhiệt độ trung bình hàng tháng cùng
với các dự báo và giới hạn dự báo 95% trong hai năm nữa. Vì mô hình khá phù hợp với
phương sai sai số tương đối nhỏ, các giới hạn dự báo khá gần với dự báo xu hướng phù
hợp.
Phụ lục 9.2 Dự báo và Giới hạn cho Xu hướng Cosine Nhiệt độ
•
••• ••• •••
70
••
•• • •
••
• •
•
• •• • • • •
• • • ••
•
• • • •
50
• • •
• •
• • • •
• • • • • •
Nhiệt
độ
30
• • • •• ••• ••
•
• • • •
10 ••
• •
Năm 1972 Năm 1973 1974 1975 Năm 1976 1977 1978
Năm
Mô hình ARIMA
Chúng tôi sử dụng chuỗi thuộc tính màu công nghiệp làm minh họa đầu tiên của chúng tôi về
dự báo ARIMA. Hình 9.3 hiển thị chuỗi này cùng với các dự báo dẫn đến thời gian 12 với giới
hạn dự đoán trên và dưới 95% cho các dự báo đó. Ngoài ra, một đường ngang tại ước tính cho
giá trị trung bình của quá trình được hiển thị. Lưu ý cách các dự báo tiếp cận giá trị
trung bình theo cấp số nhân khi thời gian dẫn đầu tăng lên. Cũng lưu ý cách giới hạn dự
đoán tăng theo chiều rộng.
Machine Translated by Google
206 Dự báo
Phụ lục 9.3 Dự báo và Giới hạn Dự báo cho Mô hình AR (1) về Màu sắc
• • •
•
• •• • •
•
• • •• •
• •
• • •
•
•• • • • • • • • • • •
•
• • •
• •
• •
Thuộc
tính
màu
• • •
• • •
85
80
75
70
65
60
•
0 10 20 30 40
Thời gian
Chuỗi số lượng phong phú của thỏ Canada được điều chỉnh bằng cách làm việc với căn bậc hai của
số lượng nhiều và sau đó phù hợp với mô hình AR (3). Chú ý cách dự báo
bắt chước chu kỳ gần đúng trong chuỗi thực tế ngay cả khi chúng tôi dự báo với thời gian dẫn đầu
đến 25 năm trong Phụ lục 9.4.
10
• •••
•• •• ••
• ••
•
• • •• ••
•
•
5 •
rừng)
(thỏ
Sqrt
• • •
• • •• • • • • • •
• •• • •
• • • • •
• •
• • • •
0
• •
• •
Năm
Giả sử chúng ta đang dự báo một chuỗi thời gian hàng tháng. Quan sát cuối cùng của chúng tôi là đối với
ruary tháng 2 và chúng tôi dự báo cho tháng 3, tháng 4 và tháng 5. Khi thời gian trôi qua, giá trị thực tế cho
Tháng 3 trở nên khả dụng. Với giá trị mới này trong tay, chúng tôi muốn cập nhật hoặc
sửa đổi (và, một người hy vọng, cải thiện) dự báo của chúng tôi cho tháng 4 và tháng 5. Tất nhiên, chúng tôi có thể
tính toán các dự báo mới từ đầu. Tuy nhiên, có một cách đơn giản hơn.
^ Đối với nguồn gốc dự báo chung t và thời gian dẫn đầu l + 1, dự báo ban đầu của chúng tôi được ký hiệu là
Y t(l 1+ ). Khi có quan sát tại thời điểm t + 1, chúng tôi muốn cập nhật
^
dự báo của chúng tôi là Y
() l t 1+ . Hiệu suất các phương trình (9.3.35) và (9.3.36) trên trang 200
= + + t + + l 1
ψ1e + ++
Yt + + l 1 Ct ()
1+ l
e t + l ψ2et l 1– + … Ψl et 1+
không phụ thuộc vào Yt + 1, Yt ,…, chúng ta nhanh chóng thu được biểu thức
^
Yt 1+ () l = Ct () ψ l 1+ +
l et 1+
^ ^
Y t lCt1+= ( phương l 1+), và tất nhiên, -et=1+()
Tuy nhiên, () Yt 1
1+ Yt . Vì vậy, chúng tôi có
Như một ví dụ số, hãy xem xét chuỗi thời gian thuộc tính màu công nghiệp. Thực hiện theo
Phụ
^ lục 9.1 trên trang 194, chúng tôi phù hợp với
^ mô hình AR (1) để dự báo đi trước một bước như
Y 35 ( ) 1 = 70,096 và đi trước hai bước khi Y 35 ( ) 2 = 71,86072 . Nếu bây giờ màu tiếp theo
^ ^
Yt 1+ () 1 =Y 36 +
= () 1 71,86072 0,5705 65( 70,096–) = 68,953452
Đối với các mô hình ARIMA không có điều khoản trung bình động, rõ ràng là các dự báo như thế nào
được xác định rõ ràng từ chuỗi quan sát Yt , Yt - 1,…, Y1. Tuy nhiên, với bất kỳ dòng máy nào
với q > 0, các thuật ngữ nhiễu sẽ xuất hiện trong dự báo và bản chất của dự báo thể
hiện rõ ràng nó theo Yt , Yt - 1,…, Y1 bị ẩn. Để đưa ra khía cạnh này của dự báo, chúng tôi
trở lại dạng đảo ngược của bất kỳ quy trình ARIMA có thể đảo ngược nào, cụ thể là
= 1– π2Yt 2– +π3Yt 3–
Yt π1Yt + ++ … Et
(Xem Công thức (4.5.5) ở trang 80.) Vì vậy, chúng ta cũng có thể viết
Machine Translated by Google
208 Dự báo
= + + ++
Yt 1+ π1Yt π2Yt 1– π3Yt 2– … Et 1+
Dựa trên kỳ vọng có điều kiện của cả hai bên, với Yt , Yt - 1,…, Y1, chúng tôi thu được
^
Y 1 ()= π+++…
1Yt π2Yt 1– π3Yt 2– (9.7.1)
t
min jq(),
= (9.7.2)
πj
min jq(),
với giá trị ban đầu π0 = 1. (So sánh điều này với Công thức (4.4.7) trên trang 79 cho
ψ-trọng lượng.)
Ở đây p = 0, d = 1, q = 1, với ϕ1 = 1; do đó
π1 θπ0 = 1 = + 1 - θ
π2 θπ1 = = θ (1 - θ )
và nói chung,
=
πj θπj 1– cho j > 1
Vì vậy, chúng tôi đã rõ ràng
= 1–) (với
θ 1 -j θ≥ j1 (9.7.3)
πj
^
Y () 1 = ++ +…
() 1 - ()1 θ- θ 2Yt 2– (9.7.4)
t θ Yt () θ 1 - θ Yt 1–
Trong trường hợp này, trọng số π giảm theo cấp số nhân, và hơn nữa,
∞ ∞ 1 - θ
= == ----------- j 1– 1
() θ 1 - θ πj 1 - θ
j 1 = j 1 =
^
Như vậy Y () 1 được gọi là đường trung bình động có trọng số theo cấp số nhân (EWMA).
t
Đại số đơn giản cho thấy rằng chúng ta cũng có thể viết
^ ^
Y = () 1 + (9,7,5)
t
() 1 - θ Yt θY t 1– () 1
Machine Translated by Google
và
^ ^ ^
Y t () 1 =Y () 1 + ()
-
() 1] (9,7,6)
t 1– θ [1
Yt -Y t 1–
Phương trình (9.7.5) và (9.7.6) cho biết cách cập nhật các dự báo từ điểm gốc t - 1 đến điểm gốc t,
và chúng thể hiện kết quả dưới dạng kết hợp tuyến tính giữa quan sát mới và quan sát cũ
dự báo hoặc trong điều kiện của dự báo cũ và sai số dự báo quan sát được cuối cùng.
Việc sử dụng EWMA để dự báo chuỗi thời gian đã được ủng hộ, chủ yếu là trong trường hợp đột xuất
cơ sở, trong một số năm; xem Brown (1962) và Montgomery và Johnson (1976).
Tham số 1 - θ được gọi là hằng số làm mịn trong tài liệu EWMA và
việc lựa chọn (ước lượng) thường khá tùy tiện. Từ việc xây dựng mô hình ARIMA
, chúng tôi để dữ liệu cho biết liệu mô hình IMA (1,1) có phù hợp với
loạt phim đang được xem xét. Nếu vậy, chúng tôi ước tính θ một cách hiệu quả và tính toán
dự báo EWMA mà chúng tôi tin tưởng là dự báo sai số bình phương trung bình tối thiểu. Một
xử lý toàn diện các phương pháp làm mịn theo cấp số nhân và mối quan hệ của chúng với
Mô hình ARIMA được đưa ra trong Abraham và Ledolter (1983).
Sự khác biệt
Giả sử chúng ta quan tâm đến việc dự báo một chuỗi có mô hình liên quan đến sự khác biệt đầu tiên
để đạt được sự ổn định. Hai phương pháp dự báo có thể được xem xét:
1. dự báo chuỗi không tĩnh ban đầu, ví dụ bằng cách sử dụng dạng phương trình sai
khác của Công thức (9.3.28) trên trang 199, với φ được thay thế bằng ϕ trong
suốt, hoặc
Chúng tôi sẽ chỉ ra rằng cả hai phương pháp đều dẫn đến những dự báo giống nhau. Điều này về cơ bản
bởi vì sai phân là một phép toán tuyến tính và bởi vì kỳ vọng có điều kiện của một tổ
hợp tai lin là kết hợp tuyến tính giống nhau của các kỳ vọng có điều kiện.
Đặc biệt xem xét mô hình IMA (1,1). Dựa trên công việc của chúng tôi trên nonsta gốc
loạt tĩnh, chúng tôi dự báo là
^
Y t () 1 (9.8.1)
Yt θet - =
và
^ ^
Y t () l= Y() t lcho
1– l> 1 (9.8.2)
^
W t 1 () -θ =et (9.8.3)
và
^
W t () l = 0 cho l> 1 (9.8.4)
Machine Translated by Google
210 Dự báo
^ ^ ^ ^
Tuy nhiên, W t() 1YtY -t()=1 W ; do đó t 1 ()et
θ -
tương
= đương với Y t() 1 Yt θet - =
^ ^ ^
như trước. Tương tự, W tl()Y -l =Yt (l 1–t
() ,và Phương trình (9.8.4) trở thành Phương trình
) (9.8.2), như chúng tôi đã tuyên bố.
Kết quả tương tự sẽ áp dụng cho bất kỳ mô hình nào liên quan đến sự khác biệt của bất kỳ thứ tự nào và
thực sự đối với bất kỳ loại biến đổi tuyến tính nào với hệ số không đổi. (Tuyến tính nhất định
các phép biến đổi khác với sự khác biệt có thể áp dụng cho chuỗi thời gian theo mùa. Nhìn thấy
Chương 10.)
Như chúng ta đã thấy trước đó, thường là thích hợp để lập mô hình logarit của bản gốc
loạt — một phép biến đổi phi tuyến. Gọi Yt là giá trị chuỗi ban đầu và cho Zt =
log (Yt ). Có thể thấy rằng chúng tôi luôn có
,,Yt 1– … Y1 | Zt) Zt
| Yt 1– [(
≥ exp … Z1E ( E Yt + ,,
Zt + l
l )] (9.8.5)
^
với sự bình đẳng chỉ giữ trong những trường hợp tầm thường. Do đó, dự báo ngây thơ exp [ Z t ] () l
không phải là
dự báo sai số bình phương trung bình tối thiểu của Yt + l . Để đánh giá bình phương trung bình tối thiểu
dự báo lỗi trong điều kiện ban đầu, chúng tôi sẽ thấy thực tế sau đây hữu ích: Nếu X có
σ2
phân phối với μ trung bình và phương sai sau đó,
σ2
EX exp
[] μ
()= -----
exp +
2
(Ví dụ: điều này tiếp theo sau từ hàm tạo thời điểm cho X.) Trong ứng dụng của chúng
tôi
,,
Z1 = () μ |E Zt
Zt Zt
+ l
1– …
và
=
σ2 Var Zt + l( ,,Zt 1– … Z1 )
| Zt
= +
[ () l Ct () l | ,,
Var et Zt Zt 1– … Z1 ]
= [ () l | ,, + [ () l | ,,
Var et Zt Zt 1– … Z1 ] Var Ct Zt Zt 1– … Z1 ]
= [ () l | ,,
Var et Zt Zt 1– … Z1 ]
=
Var []et
() l
Chúng tuân theo các Công thức (9.3.35) và (9.3.36) (áp dụng cho Zt ) và thực tế là một hàm của
Ct ( ) l
Zt , Zt - 1,…, trong khi et (l) độc lập với Zt , Zt - 1, …. Do đó, dự báo
sai số trung bình bình phương nhỏ nhất trong chuỗi ban đầu được đưa ra bởi
^ 1
exp Z t() l --Var et [] () l (9.8.6)
+ 2
Trong suốt cuộc thảo luận của chúng tôi về dự báo, chúng tôi đã giả định rằng bình phương trung bình tối thiểu
sai số dự báo là tiêu chí của sự lựa chọn. Đối với các biến được phân phối chuẩn, đây là một
Machine Translated by Google
9.9 Tóm tắt dự báo với một số mô hình ARIMA nhất định 211
tiêu chí xuất sắc. Tuy nhiên, nếu Zt có phân phối chuẩn, thì Yt = exp (Zt ) có
phân phối chuẩn log mà tiêu chí khác có thể được mong muốn. Đặc biệt, kể từ
phân phối log-chuẩn là không đối xứng và có đuôi dài bên phải, tiêu chí dựa trên
sai số tuyệt đối trung bình có thể thích hợp hơn. Đối với tiêu chí này, dự báo tối ưu
là trung vị của phân phối Zt + l có điều kiện đối với Zt , Zt - 1,…, Z1. Kể từ nhật ký
phép biến đổi bảo toàn giá trị trung bình và vì đối
^ với phân phối chuẩn, giá trị trung bình và
Z ] () l
trung vị là giống nhau, exp dự báo ngây thơ [là dự báo tối ưu Trong
cho
t Yt + l
nghĩa là nó giảm thiểu sai số dự báo tuyệt đối trung bình.
9.9 Tóm tắt dự báo với một số mô hình ARIMA nhất định
Ở đây, chúng tôi tập hợp các kết quả dự báo khác nhau cho các mô hình ARIMA đặc biệt.
AR (1): ( Yt μ =φ +
Yt 1– ) - μ et
+
^ ^
Y ()l μ= φ + [ Y () μ l 1– -] f hoặc l ≥ 1
t t
= + cho l ≥ 1
μ φl Yt() - μ
^
Y () μ l ≈ đối với l lớn
t
= e + φe
++
et () l … Φl 1– et 1+
t + l t l 1– +
= 2 1 φ2l -
----------------
Var et () σ () l e
1 φ2 -
2
σe
≈ -------------- = cho tôi lớn
Var et () () l γ 0
1 φ2 -
= cho j > 0
ψj φ j
MA (1): - + =
Yt μ et θet 1–
^
Y 1 () μ θ et
t - =
^
Y () μ l = cho l > 1
t
=
et () 1 et 1+
et () l
- =e cho l>θe1
t + l t l 1– +
2 cho l 1 =
σe
=
Var et () () l
2 ()
1 θ2
+ σe cho l> 1
Machine Translated by Google
212 Dự báo
-
θ cho j = 1
=
ψj
0 cho j > 1
=
IMA (1,1) với Thời hạn không đổi: Yt Yt + θet
+ -1–
1– θ0 et
^ ^
Y t () l= Y- t+() θ l 1– 0 θet
Yt lθ0 et - + =
^
Y t () = () 1 - ++ θ+ … (EWMA cho θ 0 = 0)
1 θ Yt ( 1 - )θ Yt 1– ()1 θ- θ 2Yt 2–
= e + ++ t cho l ≥ 1
l 2– + … () 1 et
- θ1+
+ ()θ 1e - ()θ 1e -
et () l t + l t l 1– +
Var et () σl () + - θ 2()]
= e2[ 1 (1 ) l 1–
ψj 1 - = θ cho j > 0
Lưu ý rằng nếu θ0 0, các dự báo sẽ đi theo một đường thẳng với độ dốc θ0, nhưng nếu θ0 = 0, thì
là trường hợp thông thường, sau đó dự báo là giống nhau cho tất cả các thời gian dẫn đầu, cụ thể là
^
Y t() l Yt θet - =
=
IMA (2,2): Yt 2Yt
- + θ0
+ - -
1– Yt 2– et θ1et 1– θ2et 2–
^
Y t () 1 = 2Yt Yt-
1– + θ0 θ1et - - θ2et 1–
^ ^
Y t () 2 =2 nămt () 1 Yt - - θ0
+ θ2et (9.9.1)
^ ^ ^
Y t () l= 2Y t ()1– lY - () l θ0 với
t 2– + l> 2
^ θ0
Y t () l= A+ Bl
+ ----- l
2
(9.9.2)
2
ở đâu
^ ^
=
A 2Y () 1- Y() + (9.9.3)
t t 2 θ0
và
^ 3
B Y= ^ t () 2- Y()t 1
-
--θ0 (9.9.4)
2
Nếu θ0 0, các dự báo tuân theo ^ ^ bậc hai tính bằng l, nhưng nếu θ0 = 0, các dự báo sẽ tạo thành một
một đường cong
đường
^ thẳng^ có độ dốc vàYsẽ
t ()đi
2- qua
Y() 1 dự báo ban đầu
t hai
Cũng có thể chỉ ra rằng dự báo trường hợp đặc biệt với θ1 = 2ω và θ2 = ω2 là
tương đương với cái gọi là làm mịn hàm mũ kép với hằng số làm mịn 1 - ω;
xem Abraham và Ledolter (1983).
Dự báo hoặc dự đoán tương lai khi các giá trị chưa được quan sát là một trong những lý do chính cho
phát triển các mô hình chuỗi thời gian. Các phương pháp thảo luận trong chương này đều dựa trên
việc giảm thiểu sai số dự báo bình phương trung bình. Khi mô hình chỉ đơn giản là xu hướng xác định
cộng với lỗi tiếng ồn trắng trung bình bằng 0, dự báo có thể ngoại suy xu hướng. Đã bao giờ,
nếu mô hình chứa tự tương quan, thì các dự báo sẽ khai thác mối tương quan để đưa ra các dự
báo tốt hơn so với cách khác. Chúng tôi đã chỉ ra cách thực hiện điều này với
ARIMA lập mô hình và điều tra tính toán cũng như tính chất của các dự báo. Trong
các trường hợp đặc biệt, việc tính toán và tính chất của các dự báo đặc biệt thú vị
và chúng tôi đã trình bày chúng một cách riêng biệt. Giới hạn dự đoán đặc biệt quan trọng để đánh giá
độ chính xác tiềm năng (hoặc cách khác) của các dự báo. Cuối cùng, chúng tôi đã giải quyết được vấn đề
của chuỗi thời gian dự báo trong đó các mô hình liên quan đến việc chuyển đổi
loạt.
BÀI TẬP
9.2 Giả sử rằng doanh thu hàng năm (tính bằng triệu đô la) của Acme Corporation theo
-
mô hình AR (2) 5 1,1Yt 1–= 0,5Yt
+
2– với Yt σe
+
et
2 2 = .
(a) Nếu doanh số năm 2005, 2006 và 2007 là 9 triệu đô la, 11 triệu đô la và 10 triệu đô la
Lion, tương ứng, dự báo doanh số bán hàng cho năm 2008 và 2009.
(c) Tính toán giới hạn dự đoán 95% cho dự báo của bạn trong phần (a) cho năm 2006.
(d) Nếu doanh thu năm 2006 là 12 triệu đô la, hãy cập nhật dự báo của bạn cho năm 2007.
(c) Dự báo cho tháng 4 năm 1977 là gì? Cho tháng 4 năm 2009?
9.4 Sử dụng xu hướng cosine ước tính trên trang 192:
(a) Dự báo nhiệt độ trung bình hàng tháng ở Dubuque, Iowa, cho tháng 5 năm 1976. (b)
Tìm khoảng thời gian dự đoán 95% cho dự báo tháng 5 năm 1976 đó. (Ước tính của
đối với mô hình này là 3,719 ° F.)
γ0
Machine Translated by Google
214 Dự báo
9.5 Sử dụng mô hình phương tiện theo mùa không có chốt chặn được trình bày trong Phụ lục 3.3 trên
trang 32:
(a) Dự báo nhiệt độ trung bình hàng tháng ở Dubuque, Iowa, cho tháng 4 năm 1976. (b) Tìm
khoảng thời gian dự đoán 95% cho dự báo tháng 4 đó. (Ước tính của γ0
đối với mô hình này là 3,419 ° F.)
(c) So sánh dự báo của bạn với dự báo thu được trong Bài tập 9.3.
(d) Dự báo cho tháng 4 năm 1977 là gì? Tháng 4 năm 2009?
9.6 Sử dụng mô hình phương tiện theo mùa có chốt chặn được trình bày trong Phụ lục 3.4 trên trang
33:
(a) Dự báo nhiệt độ trung bình hàng tháng ở Dubuque, Iowa, cho tháng 4 năm 1976. (b) Tìm
khoảng thời gian dự đoán 95% cho dự báo tháng 4 đó. (Ước tính của γ0
đối với mô hình này là 3,419 ° F.)
(c) So sánh dự báo của bạn với dự báo thu được trong Bài tập 9.5.
9.7 Sử dụng mô hình phương tiện theo mùa có chốt chặn được trình bày trong Phụ lục 3.4 trên trang
33
(a) Dự báo nhiệt độ trung bình hàng tháng ở Dubuque, Iowa, cho tháng Giêng
Năm 1976.
(b) Tìm khoảng thời gian dự đoán 95% cho dự báo tháng 1 đó. (Ước tính của γ0
đối với mô hình này là 3,419 ° F.)
9.8 Xem xét chuỗi thời gian phát điện hàng tháng được trình bày trong Phụ lục 5.8 trên
trang 99. Dữ liệu có trong tệp có tên là điện.
(a) Điều chỉnh mô hình xu hướng xác định chứa các giá trị theo mùa cùng với xu hướng
thời gian gần nhất với logarit của các giá trị điện.
(b) Lập biểu đồ năm năm qua của chuỗi cùng với hai năm dự báo và
giới hạn dự báo 95%. Diễn giải cốt truyện.
9.9 Mô phỏng quá trình AR (1) với φ = 0,8 và μ = 100. Mô phỏng 48 giá trị nhưng được đặt
dành 8 giá trị cuối cùng để so sánh dự báo với giá trị thực tế.
(a) Sử dụng 40 giá trị đầu tiên của chuỗi, tìm các giá trị cho likeli lớn nhất
ước lượng mui xe của φ và μ.
(b) Sử dụng mô hình ước tính, dự báo tám giá trị tiếp theo của chuỗi. Kịch bản
loạt dự báo cùng với tám dự báo. Đặt một đường ngang tại điểm trung bình của quá
trình.
(c) So sánh tám dự báo với các giá trị thực tế mà bạn đã đặt sang một bên.
(d) Lập đồ thị dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có giảm không
trong giới hạn dự báo?
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.10 Mô phỏng quá trình AR (2) với φ1 = 1,5, φ2 = 0,75 và μ = 100. Mô phỏng 52
nhưng dành 12 giá trị cuối cùng để so sánh dự báo với giá trị thực tế.
(a) Sử dụng 40 giá trị đầu tiên của chuỗi, tìm các giá trị cho ước tính độ che phủ likeli
lớn nhất của φ và μ.
(b) Sử dụng mô hình ước tính, dự báo 12 giá trị tiếp theo của chuỗi. Vẽ đồ thị
cùng với 12 dự báo. Đặt một đường ngang với ước tính của
Machine Translated by Google
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.11 Mô phỏng quá trình MA (1) với θ = 0,6 và μ = 100. Mô phỏng 36 giá trị nhưng dành 4 giá
trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 32 giá trị đầu tiên
của chuỗi, tìm các giá trị cho ước tính độ che phủ likeli lớn nhất của θ và μ.
(b) Sử dụng mô hình ước tính, dự báo bốn giá trị tiếp theo của chuỗi. Lập đồ thị chuỗi
cùng với bốn dự báo. Đặt một đường ngang ở ước tính của giá trị trung bình của quá
trình. (c) So sánh bốn dự báo với các giá trị thực tế mà bạn đã đặt sang một bên.
(d) Lập đồ thị dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có giảm không
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.12 Mô phỏng quá trình MA (2) với θ1 = 1, θ2 = 0,6 và μ = 100. Mô phỏng 36 giá trị nhưng
dành 4 giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 32 giá trị
đầu tiên của chuỗi, tìm các giá trị cho ước lượng độ che phủ likeli lớn nhất của θ và
μ. (b) Sử dụng mô hình ước tính, dự báo bốn giá trị tiếp theo của chuỗi. Lập đồ
thị chuỗi cùng với bốn dự báo. Đặt một đường ngang ở ước tính của giá trị trung bình
của quá trình. (c) Điều gì đặc biệt về các dự báo tại thời điểm dẫn 3 và 4? (d) So
sánh bốn dự báo với các giá trị thực tế mà bạn đã đặt sang một bên. (e) Lập đồ thị
các dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có giảm không
(f) Lặp lại các phần (a) đến (e) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.13 Mô phỏng quy trình ARMA (1,1) với φ = 0,7, θ = 0,5 và μ = 100. Mô phỏng 50 giá trị nhưng
dành 10 giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 40 giá trị
đầu tiên của chuỗi, tìm các giá trị cho likeli lớn nhất
ước lượng mui xe của φ, θ và μ.
(b) Sử dụng mô hình ước tính, dự báo mười giá trị tiếp theo của chuỗi. Lập kế hoạch
chuỗi cùng với mười dự báo. Đặt một đường ngang ở ước tính của giá trị trung bình
của quá trình. (c) So sánh mười dự báo với các giá trị thực tế mà bạn đã đặt sang
một bên. (d) Lập đồ thị dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có
giảm không
trong giới hạn dự báo?
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
Machine Translated by Google
216 Dự báo
9.14 Mô phỏng quá trình IMA (1,1) với θ = 0,8 và θ0 = 0. Mô phỏng 35 giá trị, nhưng dành năm
giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 30 giá trị đầu tiên
của chuỗi, tìm giá trị cho likeli lớn nhất
ước lượng mui xe của θ.
(b) Sử dụng mô hình ước tính, dự báo năm giá trị tiếp theo của chuỗi. Lập đồ thị chuỗi
cùng với năm dự báo. Dự báo có gì đặc biệt?
(c) So sánh năm dự báo với các giá trị thực tế mà bạn đã đặt sang một bên.
(d) Lập đồ thị dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có giảm không
trong giới hạn dự báo?
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.15 Mô phỏng quá trình IMA (1,1) với θ = 0,8 và θ0 = 10. Mô phỏng 35 giá trị, nhưng dành năm
giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 30 giá trị đầu tiên
của chuỗi, tìm các giá trị cho likeli lớn nhất
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.16 Mô phỏng quá trình IMA (2,2) với θ1 = 1, θ2 = 0,75 và θ0 = 0. Mô phỏng 45 giá trị, nhưng
dành năm giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 40 giá trị
đầu tiên của chuỗi, tìm giá trị cho likeli lớn nhất
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
9.17 Mô phỏng quá trình IMA (2,2) với θ1 = 1, θ2 = 0,75 và θ0 = 10. Mô phỏng 45 giá trị,
nhưng dành năm giá trị cuối cùng để so sánh dự báo với giá trị thực tế. (a) Sử dụng 40
giá trị đầu tiên của chuỗi, tìm các giá trị cho ước tính độ che phủ likeli lớn nhất của
θ1, θ2 và θ0. (b) Sử dụng mô hình ước tính, dự báo năm giá trị tiếp theo của chuỗi.
Lập đồ thị chuỗi cùng với năm dự báo. Những dự báo này có gì đặc biệt?
(c) So sánh năm dự báo với các giá trị thực tế mà bạn đã đặt sang một bên.
(d) Lập đồ thị dự báo cùng với 95% giới hạn dự báo. Các giá trị thực tế có giảm không
trong giới hạn dự báo?
(e) Lặp lại các phần (a) đến (d) với một loạt mô phỏng mới sử dụng cùng các giá trị
của các tham số và cùng cỡ mẫu.
Machine Translated by Google
β1 và φ. Chứng tỏ rằng dự báo sai^ số bình phương trung bình tối thiểu l
l
Y t dạng = + .
các bước phía trước có thể được viết dưới () βminh
9.19 Xác 0 β1phương t ++ll(
( ) φ trình Yt β0 - β1
- t)
(9.3.16) trên trang 196.
9.21 Tệp dữ liệu có tên deere3 chứa 57 giá trị liên tiếp từ một phức hợp
quy trình máy công cụ tại Deere & Co. Quá trình sử dụng một điều khiển
cơ chế đặt lại một số thông số của máy công cụ tùy thuộc vào
mức độ sai lệch so với mục tiêu của mặt hàng cuối cùng được sản xuất.
(a) Sử dụng mô hình AR (1) cho chuỗi này, dự báo mười giá trị tiếp theo.
(b) Lập đồ thị chuỗi, dự báo và giới hạn 95% dự báo, và giải thích kết quả.
9.22 Tệp dữ liệu có tên ngày chứa dữ liệu kế toán từ Công ty Winegard của Bur lington, Iowa.
Dữ liệu là số ngày cho đến khi Winegard nhận được thanh toán
cho 130 đơn đặt hàng liên tiếp từ một nhà phân phối sản phẩm Winegard cụ thể.
(Tên của nhà phân phối phải được giấu tên vì lý do bảo mật.)
Chuỗi thời gian chứa đựng những ngoại lệ khá rõ ràng trong cốt truyện của chuỗi thời gian.
Thay thế từng giá trị bất thường tại “thời điểm” 63, 106 và 129 bằng giá trị nhiều
giá trị điển hình hơn là 35 ngày.
(a) Sử dụng mô hình MA (2) để dự báo mười giá trị tiếp theo của chuỗi đã sửa đổi này.
(b) Lập đồ thị chuỗi, dự báo và giới hạn 95% dự báo, và giải thích kết quả.
9.23 Chuỗi thời gian trong rô bốt tệp dữ liệu đưa ra vị trí cuối cùng theo “hướng x”
sau khi một robot công nghiệp đã hoàn thành một tập hợp các bài tập theo kế hoạch. Các
ments đo được biểu thị bằng độ lệch so với vị trí mục tiêu. Robot được đưa qua
tập hợp các bài tập đã được lên kế hoạch này với hy vọng rằng hành vi của nó có thể lặp lại và do đó
(a) Sử dụng mô hình IMA (1,1) để dự báo năm giá trị phía trước. Đạt được 95% dự báo
cũng có giới hạn.
(b) Hiển thị các dự báo, giới hạn dự báo và giá trị thực tế trong biểu đồ và xem trước
kết quả.
(c) Bây giờ, hãy sử dụng mô hình ARMA (1,1) để dự báo trước năm giá trị và đạt được 95%
giới hạn dự báo. So sánh những kết quả này với những kết quả thu được trong phần (a).
9.24 Phụ lục 9.4 trên trang 206 hiển thị các dự báo và giới hạn dự báo 95% cho
căn bậc hai của sự phong phú thỏ Canada. Dữ liệu nằm trong tệp có tên hare.
Sản xuất một cốt truyện tương tự trong điều kiện gốc. Đó là, vẽ đồ thị giá trị phong
phú ban đầu cùng với bình phương của các dự báo và bình phương của giới hạn dự báo.
9.25 Xem xét phương tiện theo mùa cộng với mô hình xu hướng thời gian tuyến tính cho logarit của
chuỗi thời gian phát điện hàng tháng trong Bài tập 9.8. (Dữ liệu có trong
tệp có tên là điện.)
(a) Tìm các dự báo trong hai năm và các giới hạn dự báo trong điều kiện ban đầu. Đó là, triển lãm
xác định (antilog) các kết quả thu được trong Bài tập 9.8.
(b) Lập đồ thị năm năm cuối cùng của chuỗi thời gian gốc cùng với hai năm
dự báo và giới hạn dự báo 95%, tất cả đều ở dạng nguyên bản. Diễn giải cốt truyện.
Machine Translated by Google
218 Dự báo
Nếu X và Y có pdf chung f (x, y) và chúng ta biểu thị pdf biên của X bằng f (x), thì
pdf có điều kiện của Y cho trước X = x được đưa ra bởi
fxy ,()
-------------- =
f () yx
f x ()
Đối với một giá trị nhất định của x, pdf có điều kiện có tất cả các thuộc tính thông thường của pdf.
Theo mệnh giá, kỳ vọng có điều kiện của Y cho trước X = x được định nghĩa là
EYX () = x = yf yx () yd
∞ –∞
Là một giá trị hoặc giá trị trung bình mong đợi, kỳ vọng có điều kiện của Y cho trước X = x có tất cả
và
EhX []
() X = x = h x () (9.E.3)
Nghĩa là, với X = x, biến ngẫu nhiên h (X) có thể được coi như một hằng số h (x). Hơn
nói chung là,
, ( X = x = EhxY (),
EhXY ([)] X = x) (9.E.4)
Nếu chúng ta đặt EYX () = x = g x () , thì g (X) là một biến ngẫu nhiên và chúng ta có thể coi
E [g (X)]. Có thể cho thấy rằng
EgX [] () = E Y ()
EYX ( ) = E Y () (9.E.6)
Phụ lục F: Dự đoán lỗi bình phương trung bình tối thiểu
2
. chúng ta là đặt trước Y
Giả sử Y là một biến ngẫu nhiên với μY trung bình và phương sai Nếu đối tượng của
σY
chỉ sử dụng một hằng số c, thì lựa chọn tốt nhất cho c là gì? Rõ ràng, trước tiên chúng ta phải xác định
tốt nhất. Một tiêu chí phổ biến (và thuận tiện) là chọn c để thu nhỏ bình phương trung bình
lỗi dự đoán, nghĩa là, để giảm thiểu
2 = [(EYg cc )()- ]
Machine Translated by Google
Phụ lục F: Dự đoán lỗi bình phương trung bình tối thiểu 219
Vì g (c) là bậc hai trong c và mở lên trên, giải g '() c 0 = sẽ sản xuất
yêu cầu tối thiểu. Chúng ta có
g '() c = - 22E Y () + c
2 2
min g c ()= E Y () - μ = σY (9.F.2)
–∞ << c ∞
Bây giờ hãy xem xét tình huống có sẵn biến ngẫu nhiên thứ hai X và chúng ta
muốn sử dụng giá trị quan sát của X để giúp dự đoán Y. Cho ρ = Corr (X, Y). Đầu tiên, chúng
tôi đặt ra, để đơn giản, chỉ các hàm tuyến tính a + bX mới có thể được sử dụng để dự đoán. Các
sai số bình phương trung bình sau đó được đưa ra bởi
gab ,() = EY a -) - bX 2 (
Đây cũng là bậc hai trong a và b và mở ra phía trên. Do đó, chúng ta có thể tìm ra điểm của bà
mẹ nhỏ bằng cách giải đồng thời các phương trình tuyến tính gab (), và ⁄ a 0 = ,gab () =⁄ b0.
Chúng ta có
gab -(), ⁄ b +
2E ()
XY = 2aEX2X ()
2bE
() = 0
a EX + ( ) b = E Y ()
E X ( ) a EX2 + ( ) b = EXY
Nhân phương trình đầu tiên với E (X) và trừ đi hiệu suất
b = ==E XY () - E X ( ) E Y ()
------ Cov XY (), σY
ρ (9.F.3)
---------------------------------------------- -------------------------
- 2
E X2 () [ ] E X () Var X () σX
sau đó
= = -
σY
a EY ( ) - bE X () μY ρ ------ (9.F.4)
μX σX
^
Y cho là dự đoán sai số bình phương trung bình nhỏ nhất của Y dựa trên tuyến tính
Nếu chúng ta
chức năng của X, sau đó chúng ta có thể viết
^ σY σY
Y = μY ρ
------ μX
+ ρ ------ X (9.F.5)
- σX μX σX
hoặc
Machine Translated by Google
220 Dự báo
^
Y
μY - X μX -
--------------- = ---------------
ρ (9.F.6)
σY σX
Xét về các biến tiêu chuẩn hóa và Y^ * X * , chúng tôi chỉ đơn giản là Y^ * ρX * = .
Ngoài ra, bằng cách sử dụng các Công thức (9.F.3) và (9.F.4), chúng tôi thấy
min gab () σ, () - Y
2 1 ρ2 = (9.F.7)
sai số bình phương trung bình thu được khi chúng ta sử dụng hàm tuyến tính của X để dự đoán Y được giảm đi
hệ số 1 - ρ2 so với hệ số thu được bằng cách bỏ qua X và chỉ đơn giản sử dụng dấu hiệu μY cho
của hành động trước. Chúng ta cần chọn hàm h (X), giả sử, hàm này tối thiểu hóa
EY hX -[]
()
2 (9.F.8)
EY hX ()]
[- = ({-2 ()]
EE Y hX [
2 } X) (9.F.9)
Sử dụng Công thức (9.E.4), kỳ vọng bên trong có thể được viết dưới dạng
EY 2 hX
{ [- ()] } X = x EY
2 hx
= {[- ()] } X = x (9.F.10)
Với mỗi giá trị của x, h (x) là một hằng số và chúng ta có thể áp dụng kết quả của Công thức (9.F.1) cho
phân phối có điều kiện của Y cho trước X = x. Do đó, với mỗi x, lựa chọn tốt nhất của h (x) là
h x () = EYX () = x (9.F.11)
Vì sự lựa chọn h (x) này giảm thiểu kỳ vọng bên trong trong Công thức (9.F.9), nó phải
cũng cung cấp mức tối thiểu tổng thể của Công thức (9.F.8). Như vậy
h X () = EYX () (9.F.12)
là công cụ dự đoán tốt nhất về Y trong tất cả các chức năng của X.
σY
EYX () μY ------
ρ X μX + = () -
σX
sao cho các nghiệm đã cho trong phương trình (9.F.12) và (9.F.5) trùng nhau. Trong trường hợp này,
dự báo tuyến tính là tốt nhất trong tất cả các chức năng.
Nói chung hơn, nếu Y được dự đoán bởi một hàm của X1, X2,…, Xn, thì nó có thể là
dễ dàng lập luận rằng công cụ dự đoán lỗi bình phương tối thiểu được đưa ra bởi
Giả sử {Yt } thỏa mãn mô hình ARIMA (p, d, q) tổng quát với đa thức đặc trưng
AR φ (x), đa thức đặc trưng MA θ (x) và số hạng không đổi θ0. Sau đó, cắt ngắn
biểu diễn quy trình tuyến tính cho {Yt } được đưa ra bởi
Yt l + Ct () l It + = () l với l ≥ 1 (9.G.1)
ở đâu
l 1–
cho l ≥ 1 (9.G.2)
Nó () l = ψj et l - + j
j 0 =
d r pi 1–
= tôi
j (9.G.3)
Ct () l Ai l + Bij l Gi () l
tôi 0 = tôi 1 = j 0 =
và Ai, Bi j, i = 1, 2,…, r, j = 1, 2,…, pi , là hằng số trong l và chỉ phụ thuộc vào Yt,
Yt - 1,…. † Như mọi khi, trọng số ψ được xác định bởi danh tính
φ () x (1 - x ) ( d 1 +ψ1x
+ 2ψ2x
… =) θ+ () x (9.G.4)
hoặc
(ϕ () x )1 ++ + 2
ψ1x … = θ () x
ψ2x (9.G.5)
Chúng tôi sẽ chứng minh rằng biểu diễn được đưa ra bởi Công thức (9.G.1) là hợp lệ bằng cách lập luận
- - - cho l ≥ 0
Ct () ϕ l 1Ct () ϕ l 1– () l-…
2–ϕp d + Ct () l - p -2Ct
d θ0 = (9.G.6)
- - -
Nó () ϕ l 1 Nó () ϕ l 1– 2 Nó () () l 2– -… ϕp d + Nó l - p - d
(9.G.7)
= e - - - -
t + l θ1et l 1– + θ2et l 2– + … Θqetlq - + cho l> q
Nó () l mang lại nghiệm tổng quát của phương trình ARIMA. Các giá trị cụ thể cho điểm A và
B sẽ được xác định bởi các điều kiện ban đầu trong quá trình {Yt }.
Chúng tôi lưu ý rằng Ad không tùy tiện. Chúng ta có
θ0
Quảng cáo
= ------------------------------------------------- -----------
-
(9.G.8)
(1 φ1 φ2 - -… φpd!
) -
Chứng minh rằng Ct () l như được đưa ra bởi Công thức (9.G.2) là hàm bổ sung và
thỏa mãn Công thức (9.G.6) là kết quả tiêu chuẩn từ lý thuyết về phương trình sai phân
† Tính chất duy nhất của Ct (l) mà chúng ta cần là nó chỉ phụ thuộc vào Yt , Yt - 1,….
Machine Translated by Google
222 Dự báo
(xem, ví dụ, Goldberg, 1958). Chúng tôi sẽ chỉ ra rằng giải pháp cụ thể Nó () l
được xác định bởi Phương trình (9.G.2) thỏa mãn Phương trình (9.G.7).
Để thuận tiện cho việc ký hiệu, chúngϕjta đặt = 0 cho j > p + d. Xem xét phía bên trái
của phương trình (9.G.7). Nó có thể được viết là:
+ ++ l 1– +
( ψ0e t + l ψ1e
-
( ϕ1 ψ0e t
+
ψ1e t l 2– +
+…
t )… Ψl 1– et 1+ l 1– +
+ -
(9.G.9)
ψl 2– et 1+ t )
l --…
p -ϕp
+ dd + ψ ( 0e
+ ψ1e + + t )
l - p - 1 d - + … Ψl - p - 1 d - et 1+
Bây giờ nhóm các thuật ngữ et phổ biến lại với nhau và chọn ra các hệ số của chúng, chúng tôi thu được
Hệ số et + l - 1 : ψ0
Hệ số et + l - 2 : ψ1 ϕ1ψ0 -
Hệ số et + l - 3 : ψ2. ϕ1ψ1 - ϕ2ψ0 -
.
.
: - - - -
Hệ số et + 1 ψl 1– ϕ1ψl 2– ϕ2ψl 3– … P d + ψl - p - 1 d -
Nếu l> q, chúng ta có thể ghép các hệ số này với các hệ số tương ứng trên
vế phải của phương trình (9.G.7) để thu được các mối quan hệ
ψ0 1 =
ψ1 ϕ1ψ0 - θ1 - =
ψ2 ϕ1ψ1 - ϕ2ψ0 - θ2 - =
.
. (9.G.10)
.
- - -
ψq ϕ1ψq 1– ϕ2ψq 2– … Φqψ0 - θq - =
- - - -
ψl 1– ϕ1ψl 2– ϕ2ψl 3– … P d + ψl - p - 1 d - = 0 cho l> q
Tuy nhiên, bằng cách so sánh các mối quan hệ này với Phương trình (9.G.5), chúng ta thấy rằng
Phương trình (9.G.10) chính xác là các phương trình xác định các trọng số và do đó Phương trình
(9.G.7) được thiết lập theo yêu cầu.
Các kỹ sư lý thuyết điều khiển đã phát triển và sử dụng thành công cái gọi là không gian trạng thái
mô hình và lọc Kalman kể từ khi Kalman xuất bản công trình đầu tiên của mình vào năm 1960.
Các tài liệu tham khảo gần đây bao gồm Durbin và Koopman (2001) và Harvey et al. (2004).
Hãy xem xét một quy trình ARMA (p, q) tổng quát cố định và có thể đảo ngược {Zt }. Đặt m =
max (p, q + 1) và xác định trạng thái của quá trình tại thời điểm t là vectơ cột Z ( ) t của
chiều dài m có phần tử thứ j là dự báo cho Z j^ ( =) j 0, 1, 2,…, m - 1, dựa trên Zt ,
Zt - 1,…. Lưu ý rằng phần tử dẫn của Z ( ) t chỉ là = ZtZ ^.() 0
Nhớ lại phương trình cập nhật (9.6.1) trên trang 207, trong ngữ cảnh hiện tại có thể
Machine Translated by Google
được viết
^ ^
Z t 1+ () l= Z t ()
+ l et 1+
ψ l 1+ (9.H.1)
Chúng ta sẽ sử dụng biểu thức này trực tiếp cho l = 0, 1, 2,…, m - 2. Với l = m - 1, chúng ta có
^ ^
Z t 1+ () m 1– Z+ = t () ψ m m 1– et 1+
^ ^ ^ (9.H.2)
=
φ1Z t () φ m +1– 2Zt()… Φ m ++
2– pZ t () ψ mp - +m 1– et 1+
trong đó biểu thức cuối cùng xuất phát từ Công thức (9.3.34) trên trang 200, với μ = 0.
Công thức ma trận của các phương trình (9.H.1) và (9.H.2) liên Z ()
1+ tZ ( đến
) t
quan và
et 1+ ,của
được gọiAkaike),
là phương
là trình trạng thái (hoặc biểu diễn Markovian
đưa ra như
Z () + = ( ) t Nhận 1+
t 1+ FZ (9.H.3)
ở đâu
0100… 0
0010… 0
0001… 0
F = . (9.H.4)
.
.
0000… 1
φm φm 1– ... φ1
và
ψ1
G = (9.H.5)
ψ2
.
.
.
ψm 1–
với
φj 0 = cho j > p. Lưu ý rằng tính đơn giản của Phương trình (9.H.3) thu được ở
chi phí phải đối phó với các quy trình có giá trị véc tơ. Vì lation formu không gian
trạng thái cũng thường cho phép sai số đo, chúng tôi không quan sát trực tiếp Zt mà chỉ
quan sát Yt thông qua phương trình quan sát
Yt t
HZ+ ()
= ε t (9.H.6)
224 Dự báo
dimen sion n × 1 được định nghĩa là ma trận n × n có phần tử thứ i là hiệp phương sai giữa
thành phần thứ i và thứ j của X.
Nếu Y = AX + B, thì dễ dàng chỉ ra rằng ma trận hiệp phương sai của Y là AVAT,
trong đó V là ma trận hiệp phương sai của X và chỉ số trên T biểu thị sự chuyển vị của ma trận.
t ( ) j |,,
E Z ^
Z () t | t là vectơ có thành phần thứ j là [2,…, Yt Yt 1– … Y1 ] cho j = 0, 1,
m - 1.
Sau đó, vì et + 1 độc lập với Zt , Zt - 1,… và do đó cũng với Yt , Yt - 1,…, chúng tôi
xem từ Công thức (9.H.3) rằng
Z ()
t + 1 | t = FZ ( ) t | t (9.H.7)
-
| t Cũng đặt P ttrận
ma() +
là1 hiệp phương sai cho “sai số dự báo” t 1+ Z () t + 1
Z ()
| t và
P ()là
t |ma
t Z trận
( ) t -hiệp
Z () tphương
| t sai cho "sai số dự báo" mà chúng ta có ,
từ Công thức (9.H.3)
+ 1t | t =F P []()
P () t | t FT + σe2GGT (9.H.8)
Từ phương trình quan sát (Phương trình (9.H.6)) và sau đó thay t + 1 bởi t,
Y t ()) + 1 | t = HZ ( t + 1 | t (9.H.9)
ở đâu Y t t(=E ()
Yt +1+1 || Yt Yt 1– ,,
… Y1 )
.
Bây giờ có thể chỉ ra rằng các mối quan hệ sau đây giữ nguyên (ví dụ, xem Har
vey, 1981c):
t 1[ |t t
Z ())
=
1+Z -( Ytt +(]1 | t K +() + 1 | t
1+ 1Yt++) (9.H.10)
ở đâu
= 2
K ()
1+ tP ()) t + 1 | t HT[HP ( t + 1 | t HT 1–σε] + (9.H.11)
và
P ())
t + 1t | 1+
( ())
t=+ 1Pt| 1+
t - KHP
( t( + )1 | t (9.H.12)
Gọi chung, các Phương trình (9.H.10), (9.H.11) và (9.H.12) được gọi là Kalman
lọc các phương trình. Số lượng
- 1+
errt 1+ Yt = Y t () + 1 | t (9.H.13)
trong Công thức (9.H.10) là sai số dự đoán và độc lập với (hoặc ít nhất là không
liên quan đến) các quan sát trong quá khứ Yt , Yt - 1,…. Vì chúng tôi cho phép đo lường
lỗi, lỗi 1+ et
nói
1+chung không giống như .
Từ phương trình (9.H.13) và (9.H.6), chúng ta có
= = 2
vt 1+ Var (errt 1+ ) HP ( )t + 1 | t HT + σε (9.H.14)
Machine Translated by Google
Bây giờ hãy xem xét hàm khả năng cho chuỗi quan sát Y1, Y2,…, Yn. Từ
định nghĩa của hàm mật độ xác suất có điều kiện, chúng ta có thể viết
= , ) (, f y1 , ,
y2 …
) yn
,,,()
f (
ynf |y1,
y1,y2
y2… …yn
yn1–
1–
=
log( f y1
yn y2
) ,,,
… log ( f y1, ,y2 …, yn 1– ) + logf () , … ,yn 1–
yn | y1, y2 (9.H.15)
Giả sử bây giờ chúng ta đang xử lý các bản phân phối bình thường, tức là, et {} và
εt {} là các quá trình nhiễu trắng bình thường. Khi đó, biết rằng phân phối Yn con |
phân số trên Y1 = y1, Y2 = y2,…, Yn - 1 cũng= bình
yn - thường
1, với trung bình y n () và n 1–
phương sai vn. Trong phần còn lại của phần này và phần| tiếp
n 1– theo, chúng tôi viết y n () cho
giá trị quan sát của Y n () | n 1– Số hạng thứ hai ở bên phải của phương trình
(9.H.15) sau đó có thể được viết
1 1 1 yn [- y n ()]| n 1– 2
, … ,yn 1– = - --log2π - -
log vn
- - -------------------------------------------
log f()
yn | y1, y2 2 2 2
vn
Hơn nữa, số hạng đầu tiên ở vế phải của phương trình (9.H.15) có thể là
bị phân hủy tương tự lặp đi lặp lại cho đến khi chúng ta có
log( f y1 = , , (9.H.16)
yn y2
) ,,,
… log () ffy1
yt+|log
y1,()
y2 … yt 1–
t 2 =
sau đó trở thành phân tích lỗi dự đoán của khả năng xảy ra, cụ thể là
N N
N 1 1 - y t ()|yt t[] 1– 2
= - --log2π - -
log… ()
yn ,,, f y1 y2 (9.H.17)
---------------------------------------
2 - 2 vt - 2
t 1 = t 1 = vt
Chiến lược tổng thể để tính toán khả năng xảy ra đối với một tập hợp các giá trị
tham số nhất định là sử dụng các phương trình lọc Kalman để tạo ra đệ quy các lỗi dự đoán và
phương sai của chúng và sau đó sử dụng phép phân tích lỗi dự đoán của khả năng xảy ra func Z ()
sự. Chỉ còn lại một điểm: Chúng ta cần các giá trị ban đầu0 và
| 0đểP bắt
() 0đầu
| 0các sions định kỳ.
^ Từ dạng quy trình tuyến tính được rút gọn, Phương trình (9.3.35) trên trang 200 với Ct () l
= Z () l, chúng ta có thể viết, cho j > 0
t
Machine Translated by Google
226 Dự báo
^ –1
Zj Z+ = 0 ()
j ψ
(9.H.18)
jk + e – k
k j - =
Nhân phương trình (9.H.18) với Z0 và lấy các giá trị kỳ vọng sẽ thu được kết quả
^
= = Z
[ ^ 0 () 0( Z ) ( ) j ] (9.H.19)
γj E Z0Zj () E 0
đối với j ≥ 0
Bây giờ nhân Phương trình (9.H.18) với chính nó với j được thay thế bởi i và nhận các giá trị mong đợi.
Nhắc lại rằng các e độc lập với Z trong quá khứ và giả sử 0 < i ≤ j, chúng ta thu được
^ tôi 1–
= 2
Cov Z [
^ 0 ( ) ]i Z
σ,(
0
+
) j
e
(9 giờ 20)
γj tôi - ψkψkji - +
k 0 =
Kết hợp các phương trình (9.H.19) và (9.H.20), chúng tôi có các phần tử bắt buộc của
P () 0 | 0
γi 0 = ijm ≤ ≤ 1–
^
^ 0 ( ) ,i Z0 (
Cov Z [ ) j ] = tôi 1– (9.H.21)
- 2
1 ≤≤≤ ijm 1–
γj tôi - σe ψkψkji - +
k 0 =
trong đó trọng số ψ thu được từ đệ quy của Phương trình (4.4.7) trên trang 79,
và γk , hàm tự thay đổi cho quá trình {Zt }, nhận được như trong Phụ lục C
trên trang 85.
Phương sai σe 2 2
có thể được loại bỏ khỏi vấn đề bằng cách chia cho. 2 Các
σε σe
phương sai sai dự đoán vt sau đó được thay thế bằng khả năng xảy ra trong log của Phương trình
σe 2vt
2 1Công
(9.H.17), và chúng tôi đặt trong = thức (9.H.8). Bỏ các hằng số không cần thiết, chúng tôi nhận được
σe
khả năng nhật ký mới
yt [ - y t ()]| t 1– 2
N
l + ---------------------------------------
(9.H.22)
= log)σe 2vt (
t 1 = vt
có thể được giảm thiểu về mặt phân tích đối với. Chúng tôi2 đạt được
σe
N yt [- y t ()]| t 1– 2
---------------------------------------
(9.H.23)
2 σe =
t 1 = σe 2vt
Thay thế điều này trở lại vào Công thức (9.H.22), bây giờ chúng ta thấy rằng
N N | ()]
yt [- y t t 1– 2
l ---------------------------------------
(9.H.24)
= log vt n
+ log
t 1 = t 1 = vt
phải được tối thiểu hóa bằng số đối với φ1, φ2,…, φp, θ1, θ2,…, θq, và
2 . Chức năng
2 . Sau khi làm như vậy, chúng tôi quay lại Công thức (9.H.23) để ước tính σe σe
được xác định bởi Công thức (9.H.24) đôi khi được gọi là khả năng log tập trung
hàm số.
Machine Translated by Google
CHƯƠNG 10
Trong Chương 3, chúng ta đã thấy các xu hướng xác định theo mùa có thể được mô hình hóa như thế nào. Tuy nhiên, trong
nhiều lĩnh vực trong đó chuỗi thời gian được sử dụng, đặc biệt là kinh doanh và kinh tế,
giả định về bất kỳ xu hướng xác định nào là khá đáng ngờ mặc dù các xu hướng có tính chu kỳ
Đây là một ví dụ: Mức độ carbon dioxide (CO2) được theo dõi tại một số địa điểm
trên khắp thế giới để điều tra những thay đổi của khí quyển. Một trong những địa điểm nằm ở Alert, North
Biểu đồ 10.1 trình bày mức CO2 hàng tháng từ tháng 1 năm 1994 đến tháng 12 năm 2004. Có một xu hướng
chi tiết hơn trong Phụ lục 10.2, trong đó chỉ vài năm gần đây được lập biểu đồ bằng cách sử dụng hàng tháng
Biểu đồ 10.1 Mức độ carbon Dioxide hàng tháng tại Alert, NWT, Canada
CO2
380
365
350
Thời gian
> win.graph (chiều rộng = 4,875, chiều cao = 3, kích thước điểm = 8)
> plot (co2, ylab = 'CO2')
227
Machine Translated by Google
Như chúng ta thấy trong màn hình, mức carbon dioxide cao hơn trong mùa đông
tháng và thấp hơn nhiều vào mùa hè. Các mô hình theo mùa xác định như theo mùa
có nghĩa là cộng với xu hướng thời gian tuyến tính hoặc tổng của các đường cong cosine ở các tần số khác nhau cộng với tuyến tính
xu hướng thời gian như chúng ta đã điều tra trong Chương 3 chắc chắn có thể được xem xét ở đây. Nhưng chúng tôi
khám phá ra rằng các mô hình như vậy không giải thích hành vi của chuỗi thời gian này. Đối với loạt bài này
và nhiều người khác, có thể chỉ ra rằng phần dư từ phương tiện theo mùa cộng với tuyến tính
Mô hình xu hướng thời gian rất tự động tương quan với nhau ở nhiều độ trễ. † Ngược lại, chúng ta sẽ thấy rằng
các mô hình theo mùa ngẫu nhiên được phát triển trong chương này hoạt động tốt cho loạt bài này.
Biểu thị 10.2 Mức độ carbon Dioxide với các ký hiệu hàng tháng
MA MJ JFM AMJ D
D
DJF N N
JFMAM J
CO2
FMAM JFMAM J
J D N J J
J D N O
O
N J O
O J O BẰNG
BẰNG
J
380
375
370
365
360
S
S Một
Một
BẰNG
Thời gian
Chúng tôi bắt đầu bằng cách nghiên cứu các mô hình tĩnh và sau đó xem xét các khái quát hóa không tĩnh
trong Mục 10.3. Chúng ta đặt s biểu thị khoảng thời gian theo mùa đã biết; cho chuỗi hàng tháng s = 12
- =
Yt et Θet - 12
, 1– )
( Yt = -
( Θet - 12 , et 1– Θet - 13 )
-
Cov Yt Cov et
0 =
nhưng điều đó
† Chúng tôi yêu cầu bạn xác minh điều này trong Bài tập 10.8.
Machine Translated by Google
, - 12 ) =
( Yt
Cov Yt
-
Cov (et Θet - 12, et - 12 Θet - 24 )
-
- = 2
Θσe
Dễ dàng nhận thấy rằng một chuỗi như vậy là đứng yên và có tự tương quan khác không chỉ tại
độ trễ 12.
Tổng quát những ý tưởng này, chúng tôi xác định mô hình MA (Q) theo mùa của thứ tự Q với
= - - - -
(10.1.1)
Yt et Θ1et s - Θ2et - 2 giây … ΘQet Qs -
= - -
(10.1.2)
Θ () x 1 Θ1xs - Θ2x2s - … ΘQxQs
Rõ ràng là một chuỗi như vậy luôn đứng yên và hàm tự tương quan
sẽ chỉ là nonzero ở độ trễ theo mùa là s, 2s, 3s,…, Qs. Đặc biệt,
Θk - + Θ1Θk 1+ Θ2Θk + ++ 2+
… ΘQ k - ΘQ
= = 1 2 ,,,… Q (10.1.3)
ρks 2 2 2
-------------------------------------------------- -------------------------------------------------- --------- cho k
1 Θ1+ + ++ Θ2 … ΘQ
(So sánh điều này với Công thức (4.2.5) trên trang 65 cho quá trình MA trái mùa.)
mô hình khả nghịch, các gốc của Θ (x) = 0 đều phải vượt quá 1 về giá trị tuyệt đối.
Điều hữu ích cần lưu ý là mô hình MA (Q) theo mùa cũng có thể được xem như một mô hình đặc biệt
trường hợp của một mô hình MA phi mùa có thứ tự q = Qs nhưng với tất cả các giá trị θ bằng không ngoại trừ tại
=
Yt ΦYt - 12 et + (10.1.4)
ở đâu | Φ | <1 và et độc lập với Yt - 1, Yt - 2,…. Có thể chỉ ra rằng | Φ | <1
đảm bảo tính ổn định. Do đó có thể dễ dàng lập luận rằng E (Yt) = 0; nhân phương trình
(10.1.4) theo Yt - k , lấy kỳ vọng và chia cho γ0 thu được
= cho k ≥ 1 (10.1.5)
ρk Φρk - 12
Rõ ràng
== = =
ρ12 Φρ0 Φ và ρ24 Φρ12 Φ2
Nói chung,
Hơn nữa, đặt k = 1 và sau đó k = 11 trong Công thức (10.1.5) và sử dụng ρk = ρ k cho
chúng ta
= =
ρ1 Φρ11 và ρ11 Φρ1
điều này ngụ ý rằng ρ1 = ρ11 = 0. Tương tự, người ta có thể chỉ ra rằng ρk = 0 ngoại trừ độ
Ở những độ trễ đó, hàm tự tương quan phân rã theo từng thời
trễ sonal ở biển 12, 24, 36,….
điểm giống như mô hình AR (1).
Machine Translated by Google
Với ví dụ này, chúng tôi xác định mô hình AR (P) theo mùa của thứ tự P và
thời kỳ theo mùa bởi
=
Yt Φ1Yt + -
s - Φ2Yt ++2 +giây et (10.1.7)
… ΦPYt Ps -
- = - -
Φ () x 1 Φ1xs Φ2x2s - … ΦPxPs (10.1.8)
Như mọi khi, chúng tôi yêu cầu et phải độc lập với Yt - 1, Yt - 2,… và, đối với tính ổn định, điều đó
các nghiệm nguyên của Φ (x) = 0 lớn hơn 1 về giá trị tuyệt đối. Một lần nữa, Công thức (10.1.7) có thể là
được xem như một mô hình AR (p) đặc biệt của bậc p = Ps với hệ số khác không chỉ ở
độ trễ theo mùa s, 2s, 3s,…, Ps.
Có thể chỉ ra rằng hàm tự tương quan khác không chỉ ở độ trễ s, 2s, 3s,
…, trong đó nó hoạt động giống như sự kết hợp của cấp số nhân đang phân rã và hàm hàm func
sin giảm xóc. Đặc biệt, các Công thức (10.1.4), (10.1.5) và (10.1.6) dễ dàng tổng quát hóa thành
mô hình AR (1) theo mùa chung để cung cấp
Hiếm khi chúng ta cần các mô hình chỉ kết hợp tự tương quan ở độ trễ theo mùa.
Bằng cách kết hợp các ý tưởng về mô hình ARMA theo mùa và không theo mùa, chúng tôi có thể phát triển
các mô hình phân tích có chứa tự tương quan cho độ trễ theo mùa nhưng cũng cho mức thấp
độ trễ của các giá trị chuỗi lân cận.
Hãy xem xét một mô hình có đa thức đặc trưng MA được cho bởi
-
1 - θx 1 Θx12
(())
Nhân ra, chúng tôi đã 1 - θx Θx12 θΘx13 + - . Như vậy chuỗi thời gian tương ứng
thỏa mãn
Đối với mô hình này, chúng ta có thể kiểm tra xem hàm tự tương quan có khác không chỉ ở độ trễ 1,
11, 12 và 13. Chúng tôi nhận thấy
2
γ0 = 1 θ2
+) (1
σ +Θ2 () e (10.2.2)
θ
ρ1 --------------– =
(10.2.3)
1 θ2 +
θΘ
=
ρ11 ρ13 = -----------------------------------------
(10.2.4)
1 θ2
+) (1
+ Θ2 ()
và
Machine Translated by Google
Θ
ρ12 - = ----------------
(10.2.5)
1 Θ2 +
Phụ lục 10.3 hiển thị các hàm tự tương quan cho mô hình Phương trình (10.2.1)
với θ = ± 0,5 và Θ = 0,8 theo phương trình (10.2.2) - (10.2.5).
•
0,4
•
0,4
•
ρk ρk
• • • • • • • • • •
0,0
• •
0,2
• •
0,4
0,0
• • • • • • • • • • •
1 3 5 7 9 11 13 1 3 5 7 9 11 13
Trễ k Trễ k
Tất nhiên, chúng tôi cũng có thể giới thiệu cả tự tương quan ngắn hạn và theo mùa
bằng cách xác định mô hình MA bậc 12 chỉ với θ1 và θ12 khác không. Chúng ta sẽ thấy trong
phần tiếp theo mà mô hình "số nhân" phát sinh khá tự nhiên đối với
mô hình kéo theo sự khác biệt.
Nói chung, sau đó, chúng tôi xác định mô hình ARMA theo mùa nhiều lần (p, q) × (P, Q) s
với khoảng thời gian theo mùa s như một mô hình với đa thức đặc trưng AR φ (x) Φ (x) và MA
đa thức đặc trưng θ (x) Θ (x), trong đó
- = -
φ () x 1 φ1x φ2x2 - -… φpxp
(10.2.6)
- = -
Φ () x 1 Φ1xs Φ2x2s - -… ΦPxPs
và
- = -
θ () x 1 θ1x θ2x2 - -… θqxq
(10.2.7)
- = -
Θ () x 1 Θ1xs Θ2x2s - -… ΘQxQs
Mô hình cũng có thể chứa một số hạng không đổi θ0. Lưu ý thêm một lần nữa rằng chúng
ta chỉ có một mô hình ARMA đặc biệt với AR bậc p + Ps và MA bậc q + Qs, nhưng các hệ số là
không hoàn toàn tổng quát, chỉ được xác định bởi các hệ số p + P + q + Q. Nếu s = 12,
p + P + q + Q sẽ nhỏ hơn đáng kể so với p + Ps + q + Qs và sẽ cho phép nhiều
mô hình phức tạp hơn.
Ví dụ khác, giả sử P = q = 1 và p = Q = 0 với s = 12. Khi đó mô hình là
Yt =ΦYt
- + - 12 et θet 1– (10.2.8)
Machine Translated by Google
Sử dụng các kỹ thuật tiêu chuẩn của chúng tôi, chúng tôi thấy rằng
- =
2
γ1 Φγ11 θσe (10.2.9)
và
=
γk Φγk - 12 cho k ≥ 2 (10.2.10)
Sau khi xem xét các phương trình được ngụ ý bởi các lựa chọn khác nhau cho k, chúng tôi đi đến
1 θ2 + 2
γ0 = --------------- σe
1 Φ2 -
θ
== = cho k 012 ρ12k 1– Φkρ12k 1+
--------------
,,,…
-
1 θ2 +
với tự tương quan cho tất cả các độ trễ khác bằng không.
Hình 10.4 hiển thị các hàm tự tương quan cho hai trong số các
ARIMA xử lý với chu kỳ 12: một với Φ = 0,75 và θ = 0,4, cái còn lại với Φ =
0,75 và θ = 0,4. Hình dạng của các phép tự tương quan này hơi điển hình của các hàm tự
tương quan sam sung cho nhiều chuỗi thời gian theo mùa. Chức năng tương quan tự động thậm chí
còn đơn giản hơn được cung cấp bởi Công thức (10.2.3), (10.2.4) và (10.2.5) và được hiển thị trong
Hình 10.3 dường như cũng xảy ra thường xuyên trong thực tế (có lẽ sau khi khác biệt).
• •
• •
• •
0,4 0,4
ρk
• •
ρk
•
•• • •
•• •• •• ••
•• ••
•• ••
••
0,4
0,0 0,4
0,0 •
1 12 24 36 48 60 1 12 24 36 48 60
Trễ k Trễ k
Machine Translated by Google
Một công cụ quan trọng trong việc lập mô hình các quá trình thời vụ không cố định là độ chênh lệch
theo mùa. Sự khác biệt theo mùa của khoảng thời gian s cho chuỗi {Yt} được ký hiệu là sYt và được
định nghĩa là
- =
sYt Yt Yt s - (10.3.1)
Ví dụ: đối với chuỗi hàng tháng, chúng tôi xem xét các thay đổi từ tháng 1 đến tháng 1, từ
tháng 2 đến tháng 2, v.v. trong các năm tiếp theo. Lưu ý rằng đối với một chuỗi có độ dài
n, chuỗi chênh lệch theo mùa sẽ có độ dài n - s; nghĩa là, các giá trị dữ liệu của s bị mất
do sự khác biệt theo mùa.
Ví dụ về sự khác biệt theo mùa là phù hợp, hãy xem xét một thế hệ quy trình
được tạo ra theo
Yt St et + = (10.3.2)
với
St St εts +- = (10.3.3)
trong đó {et } và {εt } là chuỗi nhiễu trắng độc lập. Ở đây {St } là “cuộc dạo chơi ngẫu nhiên
theo mùa” và nếu, {Stchênh
tính } sẽ lập mô
thường
lệch quáhình
của mức một
{St }, thành
{Ytrõ nhưphần
},ràng {Yt theo
} là
đã cho mùa thay
không
trong cố đổi
Công thứcchậm.
định. Tuy σε σe chúng
nhiên,
(10.3.1), «Do
nếutính bấtta
chúng
ta thấy
= s -- et
+ et
-
sYt St _ s -
(10.3.4)
- +εt= et et s -
Một phép tính dễ dàng cho thấy rằng sYt đứng yên và có hàm tự tương quan của mô
hình MA (1) s.
Mô hình được mô tả bởi Công thức (10.2.2) và (10.2.3) cũng có thể được tổng quát hóa
để giải thích cho một xu hướng ngẫu nhiên thay đổi trái mùa, chậm chạp. Xem xét
= +St+ et
Yt Mt (10.3.5)
với
St St εts +- = (10.3.6)
và
Mt Mt 1– ξt + = (10.3.7)
trong đó {et }, {εt } và {ξt } là chuỗi nhiễu trắng độc lập lẫn nhau. Ở đây, chúng tôi
lấy cả chênh lệch theo mùa và chênh lệch trái mùa thông thường để thu được †
† Cần lưu ý rằng sYt trên thực tế sẽ đứng yên và sYt sẽ không thể thay đổi. Chúng
tôi sử dụng các Công thức (10.2.5), (10.2.6) và (10.2.7) chỉ để giúp thúc đẩy các mô
hình ARIMA sonal biển nhân.
Machine Translated by Google
- + + -
( sYt= Mt Mt s - εt et et s -)
(10.3.8)
= + +
εξt
+ +)
εt -
et(-ξt
(()
+ t 1– et 1– s - et s -) et s - 1 -
Quá trình được xác định ở đây là tĩnh và có tự tương quan khác không chỉ ở độ trễ 1,
s - 1, s và s + 1, phù hợp với cấu trúc tự tương quan của phép nhân
mô hình theo mùa ARMA (0,1) × (0,1) với khoảng thời gian theo mùa s.
Những ví dụ này dẫn đến định nghĩa về các mô hình thời vụ không cố định. Một tiến trình
{Yt } được cho là một mô hình ARIMA theo mùa nhiều lần với trái mùa (thông thường)
thứ tự p, d và q, thứ tự theo mùa P, D và Q, và khoảng thời gian theo mùa s nếu sự khác biệt
loạt
= (10.3.9)
Wt d s DYt
thỏa mãn mô hình ARMA (p, q) × (P, Q) s với khoảng thời gian theo mùa s.† Chúng tôi nói rằng {Yt } là một
Mô hình ARIMA (p, d, q) × (P, D, Q) với khoảng thời gian theo mùa s.
Rõ ràng, các mô hình như vậy đại diện cho một lớp rộng rãi, linh hoạt để chọn một
mô hình thích hợp cho một chuỗi thời gian cụ thể. Thực nghiệm đã thấy rằng nhiều
sê-ri có thể phù hợp với các mô hình này, thường có một số lượng nhỏ các thông số,
nói ba hoặc bốn.
Đặc điểm kỹ thuật mô hình, kiểm tra sự phù hợp và chẩn đoán cho các mô hình theo mùa tuân theo
cùng các kỹ thuật chung được phát triển trong các Chương 6, 7 và 8. Ở đây, chúng tôi sẽ chỉ đơn
giản làm sáng tỏ việc áp dụng những ý tưởng này đặc biệt cho các mô hình theo mùa và chú trọng
Như mọi khi, kiểm tra cẩn thận cốt truyện của chuỗi thời gian là bước đầu tiên. Hình 10.1 trên
trang 227 hiển thị mức carbon dioxide hàng tháng ở miền bắc Canada. Xu hướng tăng
một mình sẽ dẫn chúng ta đến việc xác định một mô hình không cố định. Hình 10.5 cho thấy mẫu
hàm tự tương quan cho chuỗi đó. Các mối quan hệ tự tương quan theo mùa là
hiển thị khá nổi bật trong màn hình này. Lưu ý mối tương quan chặt chẽ ở độ trễ 12, 24, 36,
và như thế. Ngoài ra, có một mối tương quan đáng kể khác cần được mô hình hóa.
† Sử dụng ký hiệu toán tử dịch chuyển ngược của Phụ lục D, trang 106, chúng ta có thể viết chung
Mô hình ARIMA (p, d, q) × (P, D, Q) s φ (B) Φ (B) d s DYt = θ (B) Θ (B) et .
Machine Translated by Google
ACF
0,8
0,6
0,4
0,2
0,2
0 5 10 15 20 25 30 35
Lỗi
> acf (as.vector (co2), lag.max = 36)
Hình 10.6 cho thấy biểu đồ chuỗi thời gian của các mức CO2 sau khi chúng tôi thực hiện một sự khác biệt đầu tiên
ence.
Biểu đồ chuỗi thời gian 10.6 Biểu đồ về sự khác biệt đầu tiên của mức CO2
6
4
2
0
tiên
biệt
khác
CO2
của
đầu
Sự
Thời gian
> plot (diff (co2), ylab = 'First Difference of CO2', xlab = 'Time')
Xu hướng tăng chung hiện đã biến mất nhưng tính thời vụ mạnh mẽ vẫn còn
hiện tại, được chứng minh bằng hành vi thể hiện trong Phụ lục 10.7. Có lẽ cách mã hóa khác nhau theo
mùa sẽ đưa chúng ta đến một loạt phim có thể được mô phỏng theo cách phân tích.
Machine Translated by Google
Phụ lục 10.7 ACF mẫu về sự khác biệt đầu tiên của mức CO2
0,8
0,4
ACF
0,0
0,4
0 5 10 15 20 25 30 35
Lỗi
Hình 10.8 hiển thị biểu đồ chuỗi thời gian của các mức CO2 sau khi thực hiện cả hai lần đầu tiên
sự khác biệt và sự khác biệt theo mùa. Dường như hầu hết, nếu không phải tất cả, tính thời vụ là
Hình 10.8 Biểu đồ chuỗi thời gian về sự khác biệt đầu tiên và theo mùa của CO2
2
1
0 3
1
2
theo
tiên
biệt
khác
CO2
của
mùa
đầu
và
Sự
Thời gian
Hình 10.9 xác nhận rằng rất ít tự tương quan vẫn còn trong chuỗi sau
hai sự khác biệt này đã được thực hiện. Biểu đồ này cũng gợi ý rằng một mô hình đơn giản
Chúng tôi sẽ xem xét việc chỉ định ARIMA nhân, theo mùa (0,1,1) × (0,1,1) 12
người mẫu
Machine Translated by Google
= - - + (10.4.10)
12 Yt et θet 1– Θet - 12 θΘet - 13
trong đó kết hợp nhiều yêu cầu này. Như thường lệ, tất cả các mô hình đều là dự kiến và
phải sửa đổi ở giai đoạn chẩn đoán xây dựng mô hình.
Hình 10.9 ACF mẫu về sự khác biệt đầu tiên và theo mùa của CO2
ACF
0,2
0,4
0,2
0,0
0 5 10 15 20 25 30 35
Lỗi
> acf (as.vector (diff (diff (co2), lag = 12)), lag.max = 36, ci.type = 'ma')
Sau khi chỉ định mô hình theo mùa dự kiến cho một chuỗi thời gian cụ thể, chúng tôi tiến hành
ước tính các tham số của mô hình đó một cách hiệu quả nhất có thể. Như chúng tôi đã nhận xét
trước đó, các mô hình ARIMA theo mùa nhiều lần chỉ là các trường hợp đặc biệt của
Mô hình ARIMA. Do đó, tất cả công việc của chúng ta về ước lượng tham số trong Chương 7 đều mang
chuyển sang trường hợp theo mùa.
Phụ lục 10.10 đưa ra các ước tính khả năng xảy ra tối đa và các sai số chuẩn của chúng đối với
Hệ số θ Θ
> m1.co2 = arima (co2, order = c (0,1,1), theo mùa = list (order = c (0,1,1),
kỳ = 12))
> m1.co2
Machine Translated by Google
Các ước lượng hệ số đều có ý nghĩa cao và chúng tôi tiến hành kiểm tra thêm trên mô hình
này.
Để kiểm tra mô hình ARIMA (0,1,1) × (0,1,1) 12 được ước tính , trước tiên chúng ta nhìn vào biểu đồ
chuỗi thời gian của các phần dư. Hình 10.11 đưa ra biểu đồ này cho các phần dư được tiêu chuẩn hóa.
Ngoài một số hành vi kỳ lạ ở giữa bộ truyện, cốt truyện này không gợi ý bất kỳ điểm bất
thường lớn nào với mô hình, mặc dù chúng ta có thể cần phải điều tra thêm mô hình để tìm
ra các ngoại lệ, vì phần dư chuẩn hóa vào tháng 9 năm 1998 có vẻ đáng ngờ. Chúng tôi tìm
hiểu thêm điều này trong Chương 11.
•
• •
3
2
1
••• • • • •
• •• • • • • • • •
•• • ••
•
•• •
• •
•• ••
• •
•• • •
• •
• •
• •
•
• •
•
• •
•• • • • • •
• •• • • •
• • • • •••• • • • • • •
• •• •
• • • • • • •• •
• • • • • • • •
• •
chuẩn
tiêu
được
Phần
hóa
dư
• • • ••
02
1
••
• • • • • •
• • •
1996 1998 2000 2002 2004
Thời gian
Để xem xét thêm, chúng tôi vẽ biểu đồ ACF mẫu của các phần dư trong Hình 10.12. Mối
tương quan “có ý nghĩa thống kê” duy nhất là ở độ trễ 22, và mối tương quan này có giá trị
chỉ là 0,17, một mối tương quan rất nhỏ. Hơn nữa, chúng ta có thể nghĩ rằng không có
tiền lệ hợp lý nào cho sự phụ thuộc ở độ trễ 22. Cuối cùng, chúng ta không nên ngạc nhiên
rằng một quan hệ autocor trong số 36 được hiển thị là có ý nghĩa thống kê. Điều này có thể
dễ dàng xảy ra một cách tình cờ. Ngoại trừ ý nghĩa cận biên ở độ trễ 22, mô hình dường như
đã giới hạn bản chất của sự phụ thuộc trong chuỗi.
Machine Translated by Google
0,1
ACF
0,1
0,2
0,0
0 5 10 15 20 25 30 35
Lỗi
Phép thử Ljung-Box cho mô hình này cho giá trị chi bình phương là 25,59 với 22
bậc tự do, dẫn đến giá trị p là 0,27 — một dấu hiệu khác cho thấy mô hình
đã nắm bắt được sự phụ thuộc trong chuỗi thời gian.
Tiếp theo, chúng tôi điều tra câu hỏi về tính bình thường của các thuật ngữ lỗi thông qua phần dư.
Hình 10.13 hiển thị biểu đồ của các phần còn lại. Hình dạng có phần
"Hình chuông" nhưng chắc chắn không phải là lý tưởng. Có lẽ một biểu đồ lượng tử-lượng tử sẽ cho chúng ta biết nhiều hơn.
thường
xuyên
Tính
40
30
20
10
0
3 2 1 0 1 2 3 4
Hình 10.14 hiển thị lô QQ-bình thường cho các phần còn lại.
2 •
1 • •
• • • • • •
• • • • • • • •
• ••••••••••••••••••••
• • • • • • • • • • • •
• • • • • • • • • • • • • •
• •• •• •• •• •• •• •• •• •• (
•• •• •• •• •• •• •
•••
0
••••
••••
•••••
•••ot
••
•••
•• •
Lượng
mẫu
tử
•
1
••••
•
• •• ••
2 1 0 1 2
Lượng tử lý thuyết
Ở đây, chúng ta lại thấy một giá trị ngoại lệ ở phần đuôi trên, nhưng kiểm định Shapiro-Wilk về
tính không phân biệt có thống kê kiểm tra là W = 0,982, dẫn đến giá trị p là 0,11 và tính chuẩn không bị
bác bỏ ở bất kỳ mức ý nghĩa thông thường nào. các cấp độ.
Khi kiểm tra thêm về mô hình, chúng tôi xem xét việc trang bị quá mức với ARIMA (0,1,2)
× (0,1,1) 12 mô hình với kết quả được hiển thị trong Hình 10.15.
Hệ số θ1 θ2 Θ
> m2.co2 = arima (co2, order = c (0,1,2), theo mùa = list (order = c (0,1,1),
kỳ = 12))
> m2.co2
Khi chúng tôi so sánh những kết quả này với những kết quả được báo cáo trong Phụ lục 10.10 trên
trang 237, chúng tôi thấy rằng các ước tính của θ1 và Θ đã thay đổi rất ít - đặc biệt là khi xem xét
kích thước của các sai số tiêu chuẩn. Ngoài ra, ước tính của tham số mới, θ2, không khác 0 về mặt thống
kê. Cũng lưu ý rằng ước tính và khả năng ghi nhật ký không thay đổi nhiều trong khi AIC thực sự đã tăng
σ ^ e 2
lên.
Mô hình ARIMA (0,1,1) × (0,1,1) 12 đã được phổ biến trong ấn bản đầu tiên của cuốn sách sem inal
của Box và Jenkins (1976) khi nó được phát hiện là đặc trưng cho các logarit của
Machine Translated by Google
chuỗi thời gian của hành khách hàng không hàng tháng. Mô hình này đã được gọi là hãng hàng không
người mẫu. Chúng tôi yêu cầu bạn phân tích dữ liệu ban đầu của hãng hàng không trong các bài thực hành.
Tính toán dự báo với các mô hình ARIMA theo mùa, như mong đợi, dễ thực hiện nhất
ra đệ quy bằng cách sử dụng dạng phương trình khác biệt cho mô hình, như trong Phương trình
(9.3.28), (9.3.29) trên trang 199 và (9.3.40) trên trang 201. Ví dụ, hãy xem xét
mô hình ARIMA (0,1,1) × (1,0,1) 12.
-
Yt Yt 1– = () Φ Yt - -12 Yt - 13 + -
et θet 1–
- + θΘet - 13 (10.5.1)
Θet - 12
Yt = ++ + ΦYt
Yt 1–
-
- 12 ΦYt - 13
-
et θet 1–
-
Θet - 12 θΘet - 13 (10.5.2)
^ ^
Y t() 2
= Y t() Φ+ 1 -
Yt - 10 ΦYt - 11
- + θΘet - 11 (10.5.4)
Θet - 10
và kể từ đó trở đi. Các thuật ngữ nhiễu et - 13, et - 12, et - 11,…, et (như phần dư) sẽ đi vào
dự báo cho thời gian khách hàng tiềm năng l = 1, 2,…, 13, nhưng đối với l> 13 thì phần tự động hồi phục của mô hình
tiếp quản và chúng tôi có
^ ^ ^ ^
Y t() l= Y t() Φ l+ 1– Y t() Φ l -12– Yt (l - 13
) cho l> 13 (10.5.5)
Để hiểu bản chất chung của các dự báo, chúng tôi xem xét một số trường hợp đặc biệt.
trong đó k và r được xác định bởi l = 12k + r + 1 với 0 ≤ r <12 và k = 0, 1, 2,…. Trong khác
từ, k là phần nguyên của (l - 1) / 12 và r / 12 là phần thập phân của (l - 1) / 12. Nếu chúng ta
lần quan sát cuối cùng là vào tháng 12, sau đó giá trị tháng 1 tiếp theo được dự báo bằng Φ lần
giá trị quan sát cuối cùng của tháng 1, tháng 2 được dự báo bằng Φ lần giá trị quan sát được cuối cùng của tháng 2
Machine Translated by Google
giá trị, v.v. Hai tháng 1 sắp tới được dự báo vì Chỉ Φ2 lần so với tháng 1 được quan sát gần đây nhất.
nhìn vào các giá trị của tháng 1, các dự báo về tương lai sẽ giảm dần theo cấp số nhân với
tốc độ xác định bởi độ lớn của Φ. Tất cả các dự báo cho mỗi tháng sẽ hoạt động
tương tự nhưng với các dự báo ban đầu khác nhau tùy thuộc vào tháng cụ thể dưới
Sự xem xét.
Sử dụng Công thức (9.3.38) trên trang 201 và thực tế là các trọng số khác không
chỉ cho bội số của 12, cụ thể là
=
Φ j / 12 cho j = 0,,,…
12 24
ψj (10.5,9)
0 nếu không thì
chúng tôi có rằng phương sai lỗi dự báo có thể được viết là
- 2+
1 Φ2k
2
= ------------------------- σe (10.5.10)
Var et () () l
1 Φ2 -
Yt = et -Θet - 12 + θ0 (10.5.11)
^
Y t 1 () =Θ -et - 11 + θ0
^
Y t 2 () =Θ -et - 10 + θ0
.
. (10.5.12)
.
^
Y t 12 () +Θ =θ0et -
và
^
Y t() θ= l 0 cho l> 12 (10.5.13)
Tại đây, chúng tôi nhận được các dự báo khác nhau cho các tháng của năm đầu tiên, nhưng từ đó trở đi
Đối với mô hình này, ψ0 = 1, ψ12 = Θ, và ψj = 0 ngược lại. Do đó, từ phương trình
(9.3.38) trên trang 201,
2
σe 1 ≤ ≤l 12
=
Var et (() l) (10.5.14)
+ ( 2 e)
1 σΘ2 12 <l
hoặc
= - + e Θe
Yt + l Yt l - + 12 t + l t l - + 12
để có thể
^
Y t() 1
- =
Yt - 11 Θet - 11
^
Y t() 2
- =
Yt - 10 Θet - 10
. (10.5.16)
.
.
^
Y t() 12 Yt Θet - =
và sau đó
^ ^
Y t() l= Y
()t l
12- cho l> 12 (10.5.17)
Theo đó, tất cả các tháng 1 sẽ dự báo giống nhau, tất cả các tháng 2 giống nhau, và như vậy
ra ngoài.
= +
Yt () - Θ Yt - 12 )
1 ( ++- +…
ΘYt 24 et
Θ2Yt - 36
^ ∞
Y t() 1
= () Θ 1 - Θ
- j Yt 12 11 - j
j 0 =
^ ∞
Y t() 2
= () Θ 1 - Θ j
Yt - 12 10 - j
j 0 = (10.5.18)
.
.
.
^ ∞
Yt
= () ()
Θ 112- Θ j Yt - 12j
j 0 =
Từ biểu diễn này, chúng tôi thấy rằng dự báo cho mỗi tháng 1 là một
trung bình động có trọng số của tất cả các tháng 1 được quan sát và tương tự cho từng tháng khác
tháng.
Trong trường hợp này, chúng ta có ψj = 1 - Θ cho j = 12, 24,…, và bằng không nếu không. Dự báo
phương sai sai sau đó là
= + σe 1 - Θ 2 2 [1
k ()] (10.5.19)
Var et (() l)
= ++ +
Yt Yt 1– Yt - 12 Yt - 13
- -
et θet 1–
-
Θet - 12 θΘet - 13 (10,5,20)
Machine Translated by Google
và
^ ^ ^ ^
Y () l= Y () +
t t 1– lY t ()
12–l Y - (lt 13– cho
) l> 13 (10.5.22)
Để hiểu mô hình chung của những dự báo này, chúng ta có thể sử dụng biểu diễn
^ 6
2πjl
Y () l A1 A2l cos 2πjl
+ tội lỗi (10.5.23)
t = + + B1j ---------- B2j
---------- 12 12
j 0 =
trong đó điểm A và B
^ phụ thuộc
^ vào Yt^ , Yt - 1,… hoặc, cách khác, được xác định từ
dự báo ban đầu () Y13 ,
t () 1 Yt () 2
,…, Y t .Kết quả này dựa trên tổng thể
ory của các phương trình sai khác và liên quan đến các nghiệm nguyên của (1 - x) (1 - x12) = 0.
Lưu ý rằng Công thức (10.5.23) cho thấy rằng các dự báo bao gồm một tuyến tính
xu hướng trong thời gian dẫn đầu cộng với tổng các thành phần tuần hoàn. Tuy nhiên, hệ số Ai
và Bij phụ thuộc nhiều hơn vào dữ liệu gần đây hơn là dữ liệu trong quá khứ và sẽ thích ứng với những thay đổi trong
quá trình khi nguồn gốc dự báo của chúng tôi thay đổi và các dự báo được cập nhật. Điều này thật tuyệt vời
trái ngược với dự báo với xu hướng thời gian xác định cộng với các thành phần theo mùa, trong đó
các hệ số phụ thuộc khá như nhau vào cả dữ liệu gần đây và quá khứ và giữ nguyên
cho tất cả các dự báo trong tương lai.
Giới hạn dự đoán thu được chính xác như trong trường hợp trái mùa. Chúng tôi minh họa điều này
với chuỗi thời gian carbon dioxide. Hình 10.16 cho thấy các dự báo và 95% dự báo
giới hạn thời gian dẫn đầu là hai năm cho mô hình ARIMA (0,1,1) × (0,1,1) 12 mà chúng tôi phù hợp.
Dữ liệu quan sát của hai năm gần đây cũng được hiển thị. Các dự báo bắt chước ngẫu nhiên
tính chu kỳ của dữ liệu khá tốt và các giới hạn dự báo mang lại cảm giác tốt cho việc
lựa chọn trước các dự báo.
Machine Translated by Google
Phụ lục 10.16 Dự báo và Giới hạn Dự báo cho Mô hình CO2
•
• • • •
•
• •
•• •
• •
•
• • •
•
• • •
•
• •
•
• •
•
CO2
Mức
• •
• • • •
• •
• • •
• ••
••
390
385
380
375
370
•• • •
Năm
> win.graph (chiều rộng = 4,875, chiều cao = 3, kích thước điểm = 8)
> plot (m1.co2, n1 = c (2003,1), n.ahead = 24, xlab = 'Year', type = 'o',
ylab = 'Mức CO2')
Biểu đồ 10.17 hiển thị năm cuối cùng của dữ liệu quan sát và dự báo trong bốn năm.
Tại thời điểm dẫn đầu này, có thể dễ dàng nhận thấy rằng các giới hạn dự báo ngày càng rộng ra, vì có
390
• •
• •
• • • •
• • •
• • • • •
•
• •
•
•
• • • •
•
• •
• •
380
• • • • •
• • •
• • •
• •
CO2
Mức
• • •
• • • •
•• ••
••
370
• •
••
2004 2005 2006 2007 2008 2009
Năm
> plot (m1.co2, n1 = c (2004,1), n.ahead = 48, xlab = 'Year', type = 'b',
ylab = 'Mức CO2')
Machine Translated by Google
Mô hình ARIMA theo mùa đa số cung cấp một cách tiết kiệm để lập mô hình thời gian
sê-ri có xu hướng theo mùa không đều đặn như chúng ta có với mô hình xu hướng theo
mùa xác định mà chúng ta đã đề cập trong Chương 3. May mắn thay, những mô hình này là
chỉ đơn giản là các mô hình ARIMA đặc biệt để không cần lý thuyết mới để điều tra sai sót của
chúng. Chúng tôi đã minh họa bản chất đặc biệt của các mô hình này bằng cách mô hình hóa kỹ lưỡng
chuỗi thời gian thực tế.
BÀI TẬP
10.1 Dựa trên dữ liệu hàng quý, một mô hình theo mùa của biểu mẫu
Yt + =Yt -4– -
et θ1et 1– θ2et 2–
Loạt 25 20 25 40
Dư2 1 2 3
(c) Tìm khoảng thời gian dự đoán 95% cho các dự báo trong phần (b).
10.2 Một mô hình AR có đa thức đặc trưng AR
-
(()) 1 1,6 - 0,7x2x 1+ 0,8x12
trong đó St là xác định và tuần hoàn với chu kỳ s và {Xt} là theo mùa
Chuỗi ARIMA (p, 0, q) × (P, 1, Q) . Mô hình cho Wt = Yt Yt - s là gì?
10.4 Đối với mô hình theo mùa - +4– =ee θet 1– with | Φ | <1, tìm γ0 và ρk.
Yt ΦYt
10.5 Xác định những điều sau đây là một số mô hình ARIMA theo mùa tích lũy nhiều lần:
(một)
=
Yt 0,5Yt 1– Yt 4– +
0,5Yt 5– (b)
- + et
- 0,3et 1– .
= 1–
Yt Yt +++
Yt -+ 12 Yt - 13 et 0.5et 1– 10.6 Hãy xác
- - et - 12
0,25et - 13
.
minh các phương trình (10.2.11) trên trang 232.
Machine Translated by Google
10.1 trên trang 227. Dữ liệu nằm trong tệp có tên là co2. (a) Điều
chỉnh trung bình theo mùa xác định cộng với mô hình xu hướng thời gian tuyến tính với những dữ liệu này.
Có bất kỳ hệ số hồi quy nào “có ý nghĩa thống kê” không? (b) Bội số R
bình phương cho mô hình này là bao nhiêu? (c) Bây giờ hãy tính toán tự
10.9 Chuỗi thời gian của hành khách hàng không hàng tháng, được điều tra lần đầu tiên trong Box
và Jenkins (1976), được coi là một chuỗi thời gian cổ điển. Dữ liệu nằm trong tệp có tên
hãng hàng không. (a) Hiển thị biểu đồ chuỗi thời gian của cả chuỗi ban đầu và logarit của
chuỗi. Lập luận rằng lấy các bản ghi là một chuyển đổi thích hợp. (b) Hiển thị và diễn
giải các biểu đồ chuỗi thời gian của sự khác biệt đầu tiên của lần ghi nhật ký
loạt.
(c) Hiển thị và diễn giải biểu đồ chuỗi thời gian của sự khác biệt theo mùa của sự khác
biệt đầu tiên của chuỗi đã ghi. (d) Tính toán và giải thích ACF mẫu của sự khác biệt
theo mùa của sự khác biệt đầu tiên của chuỗi đã ghi. (e) Điều chỉnh “mô hình hãng hàng
không” (ARIMA (0,1,1) × (0,1,1) 12 ) với chuỗi đã ghi. (f) Điều tra chẩn đoán cho mô
hình này, bao gồm tự tương quan và tính chuẩn của các phần dư.
(g) Đưa ra dự báo cho loạt phim này với thời gian dẫn đầu là hai năm. Đảm bảo bao gồm các
giới hạn dự báo.
10.10 Phụ lục 5.8 trên trang 99 trình bày sản lượng điện hàng tháng được tạo ra ở Hoa Kỳ. Ở đó,
chúng tôi lập luận rằng lấy logarit là thích hợp cho việc lập mô hình.
Hình 5.10 trên trang 100 cho thấy sơ đồ chuỗi thời gian về những điểm khác biệt đầu tiên
của chuỗi này. Tên tệp là điện. (a) Tính ACF mẫu của hiệu số đầu tiên của chuỗi đã ghi.
Tính thời vụ có hiển thị trong màn hình này không? (b) Vẽ biểu đồ chuỗi thời gian của sự
khác biệt theo mùa và sự khác biệt đầu tiên của lần ghi nhật ký
(c) Hiển thị ACF mẫu của chuỗi sau khi chênh lệch theo mùa và chênh lệch đầu tiên đã được
thực hiện đối với chuỗi đã ghi. Bạn có thể xem xét (các) mô hình nào cho loạt điện?
Machine Translated by Google
10.11 Thu nhập hàng quý trên mỗi cổ phiếu cho giai đoạn 1960–1980 của công ty Johnson &
Johnson, được lưu trong tệp có tên JJ. (a)
Vẽ đồ thị của chuỗi thời gian và cả lôgarit của chuỗi. Lập luận rằng chúng ta nên biến đổi
bằng các bản ghi để mô hình hóa chuỗi này. (b) Chuỗi rõ ràng không đứng yên. Lấy sự
khác biệt đầu tiên và lập cốt truyện cho chuỗi đó.
(c) Tính toán và vẽ đồ thị ACF mẫu của các khác biệt đầu tiên. Giải thích
kết quả.
(d) Hiển thị biểu đồ của sự khác biệt theo mùa và sự khác biệt đầu tiên. Diễn giải cốt
truyện. Nhớ lại rằng đối với dữ liệu hàng quý, mùa có độ dài là 4. (E) Vẽ biểu đồ và
giải thích ACF mẫu về sự khác biệt theo mùa với dif đầu tiên
hội nghị.
(f) Phù hợp với mô hình ARIMA (0,1,1) × (0,1,1) 4 và đánh giá ý nghĩa của ước lượng
hệ số giao phối. (g)
Thực hiện tất cả các phép thử chẩn đoán trên phần còn lại.
(h) Tính toán và vẽ các dự báo cho hai năm tiếp theo của chuỗi. Đảm bảo bao gồm các giới
hạn dự báo.
10.12 Tệp có tên lên tàu chứa dữ liệu hàng tháng về số lượng người đã lên các phương tiện vận
chuyển (chủ yếu là tàu hỏa hạng nhẹ và xe buýt thành phố) ở Denver, Colorado, khu vực từ
tháng 8 năm 2000 đến tháng 12 năm 2005. (a) Lập biểu đồ chuỗi thời gian cho những dữ liệu.
Đảm bảo sử dụng các ký hiệu biểu đồ sẽ giúp bạn đánh giá tính thời vụ. Một mô hình tĩnh
(b) Tính và vẽ đồ thị ACF mẫu cho chuỗi này. Bạn có độ trễ nào
(c) Điều chỉnh mô hình ARMA (0,3) × (1,0) 12 với những dữ liệu này. Đánh giá ý nghĩa của
các hệ số ước lượng.
(d) Trang bị quá nhiều với kiểu ARMA (0,4) × (1,0) 12 . Giải thích kết quả.
Machine Translated by Google
CHƯƠNG 11
Trong chương này, chúng tôi giới thiệu một số ý tưởng hữu ích kết hợp thông tin bên ngoài vào mô
hình chuỗi thời gian. Chúng tôi bắt đầu với các mô hình bao gồm tác động của các biện pháp can
thiệp đối với hành vi bình thường của chuỗi thời gian. Chúng tôi cũng xem xét các mô hình đồng
hóa các tác động của các ngoại lệ — các quan sát, trong chuỗi quan sát hoặc trong điều kiện sai
số, rất bất thường so với hành vi bình thường. Cuối cùng, chúng tôi phát triển các phương pháp
để tìm kiếm và xử lý tương quan giả — tương quan giữa các chuỗi là giả tạo và sẽ không giúp lập
mô hình hoặc hiểu chuỗi thời gian quan tâm. Chúng ta sẽ thấy rằng việc làm sạch loạt phim sẽ
giúp chúng ta tìm thấy những mối quan hệ có ý nghĩa.
Biểu đồ 11.1 cho thấy biểu đồ thời gian của logarit của số dặm hành khách hàng tháng của hãng
hàng không ở Hoa Kỳ từ tháng 1 năm 1996 đến tháng 5 năm 2005. Chuỗi thời gian có âm độ cao, cho
thấy thực tế là lưu lượng hàng không nói chung cao hơn trong các tháng mùa hè và tháng 12. các
kỳ nghỉ lễ và thấp hơn vào các tháng mùa đông. † Ngoài ra, lưu lượng hàng không nói chung cũng
tăng lên một cách tuyến tính cho đến khi nó giảm đột ngột vào tháng 9 năm 2001. Số lượng hành
khách đi máy bay giảm đột ngột vào tháng 9 năm 2001 và vài tháng sau đó là do các hành động
khủng bố vào ngày 11 tháng 9 năm 2001, khi bốn máy bay bị cướp, ba trong số đó đã đâm vào tòa
tháp đôi của Trung tâm Thương mại Thế giới và Lầu Năm Góc và chiếc thứ tư vào một cánh đồng nông
thôn ở Pennsylvania. Các cuộc tấn công khủng bố vào tháng 9 năm 2001 đã làm suy giảm nghiêm
trọng không lưu trong khoảng thời gian đó, nhưng không lưu đã dần lấy lại được những tổn thất
theo thời gian. Đây là một ví dụ về sự can thiệp dẫn đến thay đổi xu hướng của một chuỗi thời
gian.
Phân tích can thiệp, do Box và Tiao (1975) giới thiệu, cung cấp một khuôn khổ để đánh giá
tác động của can thiệp đối với một chuỗi thời gian đang nghiên cứu. Giả định rằng sự can thiệp
ảnh hưởng đến quá trình bằng cách thay đổi hàm trung bình hoặc xu hướng của một chuỗi thời gian.
Các biện pháp can thiệp có thể là tự nhiên hoặc nhân tạo. Ví dụ, một số mức quần thể động vật đã
giảm xuống mức rất thấp trong một năm cụ thể do khí hậu khắc nghiệt trong năm đó. Sau đó, mức độ
dân số hàng năm sau sự cố có thể sẽ khác với mức độ dân số trong giai đoạn trước sự cố. Một ví
dụ khác là việc tăng giới hạn tốc độ từ 65 dặm một giờ lên 70 dặm một giờ trên đường cao tốc
liên bang. Điều này có thể làm cho việc lái xe trên
† Trong các bài tập, chúng tôi yêu cầu bạn hiển thị biểu đồ chuỗi thời gian bằng cách sử dụng các ký hiệu biểu
đồ theo mùa trên biểu đồ toàn màn hình, nơi mà tính thời vụ khá dễ nhìn thấy.
249
Machine Translated by Google
đường cao tốc nguy hiểm hơn. Mặt khác, người lái xe có thể ở trên đường cao tốc trong thời gian
ngắn hơn vì tốc độ nhanh hơn, do đó, ảnh hưởng thực của việc thay đổi giới hạn tốc độ tăng lên
là không rõ ràng. Tác động của việc tăng giới hạn tốc độ có thể được nghiên cứu bằng cách phân
tích hàm trung bình của một số dữ liệu chuỗi thời gian tai nạn; ví dụ, số vụ tai nạn xe hơi gây
tử vong đáng kể trên một số đoạn của đường cao tốc liên bang. (Lưu ý rằng hàm tự thay đổi của
chuỗi thời gian cũng có thể bị thay đổi bởi sự can thiệp, nhưng khả năng này sẽ không được theo
đuổi ở đây.)
Hình 11.1 Dặm hàng tháng của Hãng hàng không Hoa Kỳ: Tháng 1 năm 1996 đến tháng 5 năm 2005
(airmiles)
Nhật
ký
17,7
17,5
17,3
17,1
Năm
Đầu tiên chúng ta xem xét trường hợp đơn giản của một can thiệp duy nhất. Mô hình chung
cho chuỗi thời gian {Yt }, có lẽ sau khi biến đổi phù hợp, được đưa ra bởi
Yt mt Nt + = (11.1.1)
trong đó mt là sự thay đổi trong hàm trung bình và Nt được mô hình hóa dưới dạng một số ARIMA
pro cess, có thể theo mùa. Quá trình {Nt } đại diện cho chuỗi thời gian cơ bản không có sự can
thiệp. Nó được gọi là quá trình tự nhiên hoặc không bị xáo trộn, và nó có thể đứng yên hoặc
không cố định, theo mùa hoặc trái mùa. Giả sử chuỗi thời gian là phụ của một can thiệp diễn ra
tại thời điểm T. Trước T, mt được giả định là số không xác định. Chuỗi thời gian {Yt , t < T}
được gọi là dữ liệu can thiệp trước
không
và có
bịthể
xáođược
trộnsử
Ntdụng
. để chỉ định mô hình cho quá trình
Dựa trên các cân nhắc của đối tượng, ảnh hưởng của sự can thiệp lên hàm trung bình thường
có thể được chỉ định tới một số tham số. Một chức năng hữu ích trong cation cụ thể này là hàm
bước
() T 1 nếu t T
St = (11.1.2)
≥, 0 nếu
,
không
Machine Translated by Google
đó là 0 trong giai đoạn trước can thiệp và 1 trong suốt giai đoạn sau can thiệp.
Hàm xung
() T () T ()
- =
Pt St T St 1– (11.1.3)
() T
bằng 1 tại t = T và bằng 0 nếu không. Đó là, Pt là chỉ báo hoặc cờ biến giả ging thời
gian mà can thiệp diễn ra. Nếu sự can thiệp dẫn đến sự thay đổi ngay lập tức và vĩnh
viễn trong hàm trung bình, thì sự thay đổi có thể được mô hình hóa như
()
= (11.1.4)
T mt ωSt
trong đó ω là thay đổi vĩnh viễn chưa biết trong giá trị trung bình do can thiệp. Thử nghiệm
liệu ω = 0 có tương tự như việc kiểm tra xem các trung bình tổng thể có giống nhau hay không
với dữ liệu ở dạng hai mẫu ngẫu nhiên độc lập từ hai quần thể.
Tuy nhiên, sự khác biệt chính ở đây là dữ liệu trước và sau can thiệp không thể được
giả định là độc lập và được phân phối giống nhau. Mối quan hệ cor nối tiếp vốn có
trong dữ liệu làm cho vấn đề trở nên thú vị hơn nhưng đồng thời cũng nhiều hơn
khó khăn. Nếu có sự chậm trễ d đơn vị thời gian trước khi can thiệp có hiệu lực và d là
được biết, sau đó chúng tôi có thể chỉ định
()
= (11.1.5)
T mt ωSt d -
Trong thực tế, sự can thiệp có thể ảnh hưởng đến chức năng trung bình dần dần, với toàn bộ lực
chỉ phản ánh trong thời gian dài. Điều này có thể được mô hình hóa bằng cách chỉ định mt là kiểu AR (1)
() T
mô hình với thuật ngữ lỗi được thay thế bằng bội số của độ trễ 1 của St :
() T
+ =1– ωSt 1–
mt δmt (11.1.6)
với điều kiện ban đầu m0 = 0. Sau một số đại số, có thể chỉ ra rằng
t T
- -1 δ
ω
= -------------------- cho t T >,
1 - δ (11.1.7)
mt
0 nếu không
,
Thường δ được chọn trong khoảng 1> δ> 0. Trong trường hợp đó, mt tiến tới ω / (1 - δ) cho
lớn t, là thay đổi cuối cùng (được hoặc mất) đối với hàm trung bình. Một nửa của
t-T
thay đổi cuối cùng đạt được khi 1 - δ = 0,5; nghĩa là khi t = T + log (0,5) / log (δ).
Nhật ký thời lượng (0,5) / log (δ) được gọi là chu kỳ bán rã của hiệu ứng can thiệp, và
ngắn hơn thì hệ thống cảm nhận được sự thay đổi cuối cùng càng nhanh. Hình 11.2 trưng bày
chu kỳ bán rã là một hàm của δ, cho thấy chu kỳ bán rã tăng theo δ. Thật,
chu kỳ bán rã trở nên lớn vô hạn khi δ tiến gần đến 1.
Hình 11.2 Chu kỳ bán rã dựa trên Quy trình AR (1) với Đầu vào Chức năng Bước
Điều thú vị là cần lưu ý trường hợp giới hạn khi δ = 1. Khi đó mt = ω (T - t) với t ≥ T và
0 nếu không. Biểu đồ trình tự thời gian của mt hiển thị hình dạng của một đoạn đường dốc với độ dốc ω.
Đặc điểm kỹ thuật này ngụ ý rằng sự can thiệp thay đổi tuyến tính hàm trung bình trong
giai đoạn sau can thiệp. Hiệu ứng đoạn đường nối này (với độ trễ một đơn vị thời gian) được hiển thị trong
() T
1 ,nếu t = T
= (11.1.8)
Pt
0, ngược lại
Ví dụ, nếu sự can thiệp chỉ tác động đến hàm trung bình tại t = T, thì
()
= (11.1.9)
T mt ωPt
Các hiệu ứng can thiệp chết dần có thể được chỉ định thông qua cation đặc trưng loại
AR (1)
() T
+ = (11.1.10)
mt δmt 1– ωPt
Tức là, mt = ωδT t với t ≥ T sao cho giá trị trung bình thay đổi ngay lập tức một lượng ω và
sau đó sự thay đổi trong giá trị trung bình giảm về mặt hình học bởi nhân tố chung của
δ; xem Phụ lục 11.4 (a). Các thay đổi bị trì hoãn có thể được kết hợp bằng cách làm trễ tần
số xung nhịp. Ví dụ: nếu sự thay đổi giá trị trung bình diễn ra sau độ trễ một đơn vị thời gian
và hiệu ứng biến mất dần dần, chúng tôi có thể chỉ định
() T
+ =1– ωPt 1–
mt δmt (11.1.11)
Sẽ rất hữu ích khi viết † mô hình trước theo toán tử dịch chuyển ngược B,
() T () T ( )
= =
trong đó Bmt = mt - 1 và BPt Pt 1– . sau đó 1 () - δB mt ωBPt T. Hoặc, chúng ta có thể viết
ωB () T
= (11.1.12)
mt
1 - δB
--------------- Pt
() T () T () 1 () T
Hồi tưởng = , T có thể được viết lại thành St = .
( ) 1 - B St Pt
1 - B
------------ Pt
† Phần còn lại của chương này sử dụng toán tử dịch chuyển ngược được giới thiệu trong Phụ lục
D ở trang 106. Bạn có thể muốn xem lại phụ lục đó trước khi tiếp tục.
Machine Translated by Google
Phụ lục 11.3 Một số mô hình phổ biến cho các can thiệp theo bước (Tất cả đều
được hiển thị với độ trễ là 1 đơn vị thời gian)
(một)
•••• ω
() T
ωBSt
0 ••••••
T
(b) •
ω / (1 δ)
ωB () T
• •
1 - δB
--------------- St
• ω
0
••••••
T
(c)
ωB () T
1 - B • độ dốc = ω
•
------------ St
•
0 •
••••••
T
Một số thông số kỹ thuật có thể được kết hợp để tạo mô hình can thiệp phức tạp hơn
các hiệu ứng.
Ví dụ,
ω1B () T ω2B () T
mt = + (11.1.13)
1 - δB
--------------- Pt
1 - B
------------ Pt
mô tả tình huống được hiển thị trong Hình 11.4 (b) trong đó ω1 và ω2 đều lớn hơn
không, và
() T ω1B () T ω2B ()
T mt= ω0Pt + + (11.1.14)
1 - δB
--------------- Pt
1 - B
------------ Pt
có thể mô hình hóa các tình huống như Hình 11.4 (c) với ω1 và ω2 đều âm. Trường hợp cuối cùng này
có thể mô hình hóa tình huống thú vị trong đó một đợt giảm giá đặc biệt có thể gây ra tình trạng mua vội vàng,
ban đầu quá nhiều để bán được sau đó là nhu cầu giảm. Nói chung, chúng tôi
có thể mô hình hóa sự thay đổi trong hàm trung bình bằng một đặc tả kiểu ARMA
ω () B () T
mt = ------------ Pt (11.1.15)
δ () B
= Pt() , các
() T
T trong đó ω (B) và δ (B) là một số đa thức trong B. Vì () 1 - B St
mô hình cho mt có thể được chỉ định theo biến giả xung hoặc bước.
Machine Translated by Google
Phụ lục 11.4 Một số mô hình phổ biến cho các can thiệp đáp ứng xung (Tất cả đều
được hiển thị với độ trễ là 1 đơn vị thời gian)
(một)
ωB () T • ω
--------------- Pt
1 - δB
•
0
• •
••••••
T
(b)
ω1B ω2B
---------------
+ ------------ Pt
() T
• ω1 + ω2
1 - δB 1 - B
• • • ω2
0 ••••••
T
(c)
+
ω1B
--------------- ω2B () T • ω0
ω0 + ------------ Pt
0
1 - δB 1 - B ••••
ω2
• • •
• ω1 + ω2
Việc ước lượng các tham số của một mô hình can thiệp có thể được thực hiện bởi
phương pháp ước tính khả năng xảy ra tối đa. Thật vậy, Yt - mt là một điểm chuyên
nghiệp ARIMA theo mùa để hàm khả năng bằng pdf chung của Yt - mt, t = 1, 2,…, n, mà
có thể được tính toán bằng các phương pháp đã nghiên cứu trong Chương 7 hoặc bằng cách khác bằng mô hình không gian trạng thái
Bây giờ chúng tôi truy cập lại dữ liệu hành khách-chuyến bay hàng tháng. Nhớ lại rằng bọn khủng bố hành động trong
Tháng 9 năm 2001 có những ảnh hưởng trầm cảm kéo dài đối với giao thông hàng không. Sự can thiệp có thể là
được chỉ định là quy trình AR (1) với đầu vào là xung vào tháng 9 năm 2001. Nhưng sự
kiện chưa xảy ra vào tháng 9 năm 2001 có tác động làm lạnh tức thời mạnh đối với không khí
giao thông. Do đó, chúng tôi lập mô hình hiệu ứng can thiệp (hiệu ứng 11/9) là
+ = () ω1 () T
T mt ω0Pt ------------------- Pt
1 ω2 - B
trong đó T biểu thị tháng 9 năm 2001. Trong đặc điểm kỹ thuật này, ω0 + ω1 đại diện cho tức thời
hiệu ứng 11/9, và với k ≥ 1, hiệu ứng 11/9
ω1 ω2là( k) tháng
k sau đó. Nó
vẫn để chỉ định cấu trúc ARIMA theo mùa của thuế suất không bị xáo trộn cơ bản.
Dựa trên dữ liệu trước can thiệp, mô hình ARIMA (0,1,1) × (0,1,0) 12 đã được chỉ
định cụ thể cho quá trình không bị xáo trộn; xem Hình 11.5.
Machine Translated by Google
Phụ lục 11.5 ACF mẫu cho (1 B) (1 B12) Nhật ký (Dặm hành khách hàng không) Qua
Giai đoạn tiền can thiệp
0,1
ACF
0,1
0,3
0 10 20 30 40
Lỗi
> acf (as.vector (diff (diff (window (log (airmiles), end = c (2001,8)), 12))), lag.max =
48)
Chẩn đoán mô hình của mô hình được trang bị đề xuất rằng hệ số MA (1) theo mùa
là cần thiết và sự tồn tại của một số ngoại lệ phụ gia xảy ra vào tháng 12 năm 1996,
Tháng 1 năm 1997 và tháng 12 năm 2002. (Các ngoại lệ sẽ được thảo luận chi tiết hơn ở phần sau; tại đây
các ngoại lệ cộng thêm có thể được coi là các biện pháp can thiệp không rõ bản chất có xung
chức năng phản hồi.) Do đó, mô hình được chỉ định là ARIMA (0,1,1) × (0,1,1) 12 cộng
sự can thiệp của vụ 11/9 và ba ngoại lệ cộng thêm. Mô hình được trang bị được tóm tắt trong
Hình 11.6.
Phụ lục 11.6 Ước tính Mô hình Can thiệp cho Logarit của Dặm bay (Sai số tiêu chuẩn được
trình bày bên dưới các ước tính)
AIC = 423,98
> air.m1
Machine Translated by Google
Chẩn đoán mô hình gợi ý rằng mô hình được trang bị ở trên cung cấp sự phù hợp tốt với dữ liệu.
Các vòng tròn mở trong biểu đồ chuỗi thời gian được hiển thị trong Phụ lục 11.7 đại diện cho các giá
trị phù hợp từ mô hình ước tính cuối cùng. Chúng chỉ ra sự thống nhất tốt giữa mô hình và dữ liệu.
Phụ lục 11.7 Nhật ký Dặm bay hành khách và các giá trị được trang bị
••
•
• ••
• • •
• •• • •• • •• •
• •
•
• • • •• • • •• • • • • •
•
• • • • ••
•
(airmiles)
Nhật
ký
• • •
•• • • • • • • •• • •• •
• •
• • • • •• • •
•
• •
•
• • • • •
• •
•• • •
• ••
•
•
• • •
• •• •• ••
• • • •
•
• •
17,7
17,5
17,3
17,1
• • • •
Thời gian
Mô hình được trang bị ước tính rằng vụ can thiệp ngày 11/9 đã làm giảm lưu lượng hàng không 31%
= {1 - exp ( 0,0949 0,2715)} × 100% vào tháng 9 năm 2001 và lưu lượng hàng không k tháng sau đã
giảm {1 - exp (- 0,2715 × 0,8139k )} × 100%. Biểu đồ 11.8 vẽ biểu đồ ước tính ảnh hưởng của vụ 11/9
đối với giao thông hàng không, cho thấy rằng giao thông hàng không đã khôi phục lại những tổn thất
vào cuối năm 2003.
0,0
Hình 11.8 Ảnh hưởng dự kiến của vụ 11/9 đối với hàng loạt hành khách đường hàng không
11/9
Hiệu
ứng
0,1
0,2
0,3
Thời gian
11.2 Ngoại lệ
Các quan sát ngoại lai đề cập đến các quan sát không điển hình có thể phát sinh do đo lường và / hoặc
lỗi sao chép hoặc do những thay đổi đột ngột, ngắn hạn trong quy trình cơ bản. Vì
chuỗi thời gian, hai loại ngoại lệ có thể được phân biệt, cụ thể là ngoại lệ cộng thêm và
những ngoại lệ sáng tạo . Hai loại ngoại lệ này thường được viết tắt là AO và IO,
tương ứng. Một ngoại lệ phụ gia xảy ra tại thời điểm T nếu quá trình cơ bản bị xáo trộn
cộng thêm tại thời điểm T để dữ liệu bằng
′
+ =Yt ωAPt () T (11.2.1)
Yt
trong đó {Yt} là quá trình không bị xáo trộn. Từ đó, trong phần này, Y ′ biểu thị
quá trình quan sát có thể bị ảnh hưởng bởi một số ngoại lệ và Y là quá trình không bị xáo trộn
′ ′
nên không có ngoại lệ. Vì vậy, nhưng ngược lại, vì vậy thời gian
Yt =
YT YT ωA + = Yt
sê-ri chỉ bị ảnh hưởng tại thời điểm T nếu nó có hệ số phụ tại T. Một hệ số phụ gia có thể
cũng được coi như một can thiệp có đáp ứng xung tại T sao cho mt ωAPt = () T .
Mặt khác, một ngoại lệ sáng tạo xảy ra tại thời điểm t nếu lỗi (còn được gọi là
Một sự đổi mới) tại thời điểm t bị xáo trộn (nghĩa là, sai số bằng nhau trong +đó=et
()
′ ,
et et ωI Pt
′ ′
là một quá trình tiếng ồn trắng trung bình bằng 0). Vì vậy, nếu không. Giả sử et =
eT nhưng eT ωI + = et
rằng quá trình không bị xáo trộn là đứng yên và thừa nhận một biểu diễn MA (∞)
= +++…
Yt et ψ1et 1– ψ2et 2–
Do đó, quá trình xáo trộn có thể được viết
′
= +++
′ ′ …
ψ1et 1– ′ ψ2et 2–
Yt et
= +
[] +++… ψt T - ωI et ψ1et 1– ψ2et 2–
hoặc
′
(11.2.2)
Yt Yt ψt T - ωI + =
trong đó ψ0 = 1 và ψj = 0 đối với j âm. Do đó, một ngoại lệ sáng tạo ở T làm đảo lộn tất cả
các quan sát vào và sau T, mặc dù với hiệu ứng giảm dần, vì sự quan sát cách xa điểm
gốc của yếu tố ngoại lai.
Để phát hiện một quan sát là AO hay IO, chúng tôi sử dụng biểu diễn AR (∞)
của quá trình không bị xáo trộn để xác định phần dư:
′
π1Yt 1– ′ π2Yt 2– ′ ––– =… (11.2.3)
tại Yt
Để đơn giản, chúng tôi giả sử quá trình không có giá trị trung bình và các tham số đã biết.
Trong thực tế, các giá trị tham số không xác định được thay thế bằng các ước tính của chúng từ dữ
liệu bị xáo trộn cố định. Theo giả thuyết vô hiệu của không có ngoại lệ và đối với các mẫu lớn, điều này
Machine Translated by Google
có ảnh hưởng không đáng kể đến các đặc tính của quy trình thử nghiệm được mô tả dưới đây. Nếu
chuỗi có đúng một IO tại thời điểm T thì aT dư = ωI + eT nhưng at = et thì ngược lại.
Vì vậy, ωI có thể được ước lượng bởi ω˜ I aT = với phương sai bằng σ2 . Do đó, một thống kê thử nghiệm cho
tại
= -----
λ1, T (11.2.4)
σ
có (gần đúng) phân phối chuẩn chuẩn theo giả thuyết rỗng rằng
không có ngoại lệ trong chuỗi thời gian. Khi T được biết trước, quan sát trong
câu hỏi được tuyên bố là ngoại lệ nếu phần dư chuẩn hóa tương ứng vượt quá 1,96
về độ lớn với mức ý nghĩa 5%. Trong thực tế, thường không có kiến thức trước
về T, và thử nghiệm được áp dụng cho tất cả các quan sát. Ngoài ra, σ sẽ cần được giao phối.
Một thủ tục bảo thủ đơn giản là sử dụng quy tắc Bonferroni để kiểm soát
tỷ lệ lỗi tổng thể của nhiều bài kiểm tra. Để cho
đạt được tại t = T. Sau đó, quan sát thứ T được coi là IO nếu λ1 vượt quá giá trị trên
0,025 / n × 100 phần trăm của phân phối chuẩn chuẩn. Thủ tục này đảm bảo
rằng có tối đa 5% xác suất phát hiện sai IO. Lưu ý rằng một ngoại lệ
sẽ làm tăng ước tính khả năng xảy ra tối đa của σ, vì vậy nếu không có sự điều chỉnh đối với các trường
hợp ngoại lệ, sức mạnh của hầu hết các thử nghiệm thường bị giảm. Một ước tính chắc chắn về tiêu chuẩn tiếng ồn
độ lệch có thể được sử dụng thay cho ước tính khả năng tối đa để tăng sức mạnh
của bài kiểm tra. Ví dụ: σ có thể được ước lượng chính xác hơn bằng giá trị thặng dư tuyệt đối trung bình
lần 2 π⁄ .
Việc phát hiện một AO phức tạp hơn. Giả sử rằng quá trình thừa nhận một AO tại
T và không có ngoại lệ. Sau đó, nó có thể được hiển thị rằng
= - + et
tại ωAπt T - (11.2.6)
2 2 2 1–
ở đâu = ++++ , với phương sai của ước tính là
2 ρ (1 π1 ) π2 … Πn T -
bằng ρ2σ2. Sau đó chúng ta có thể xác định
ω˜
T A,
----------- =
λ2, T (11.2.8)
ρσ
như thống kê kiểm định để kiểm tra giả thuyết rỗng rằng chuỗi thời gian không có giá trị
ngoại lệ do đó, giả thuyết thay thế của AO tại T. Như trước đây, ρ và σ sẽ cần được giao
phối với nhau. Thống kê kiểm định λ2, T được phân phối xấp xỉ là N (0,1) dưới giá trị rỗng
giả thuyết. Một lần nữa, T thường không được biết, và thử nghiệm được áp dụng lặp đi lặp lại cho mỗi lần
điểm. Quy tắc Bonferroni một lần nữa có thể được áp dụng để kiểm soát tỷ lệ lỗi tổng thể.
Furrmore, bản chất của một ngoại vật không được biết trước. Trong trường hợp một người ngoại lệ
Machine Translated by Google
được phát hiện tại T, nó có thể được phân loại là IO nếu | λ1, T | > | λ2, T | và một AO khác.
Xem Chang và cộng sự. (1988) cho một cách tiếp cận khác để phân loại bản chất của một ngoại nhân.
Khi tìm thấy một giá trị ngoại lệ, nó có thể được đưa vào mô hình và quy trình phát hiện ngoại lệ sau
đó có thể được lặp lại với mô hình đã tinh chỉnh cho đến khi không còn tìm thấy giá trị ngoại lệ nào nữa.
Ví dụ đầu tiên, chúng tôi mô phỏng một chuỗi thời gian có độ dài n = 100 từ mô hình ARIMA
(1,0,1) với φ = 0,8 và θ = 0,5. Sau đó, chúng tôi thay đổi quan sát thứ 10 từ 2,13 thành 10
(nghĩa là, ωA = 12,13); xem Hình 11.9. Dựa trên mẫu ACF, PACF và EACF, một mô hình AR (1) đã
được xác định tạm thời. Dựa trên quy tắc Bonferroni, các quan sát thứ 9, 10 và 11 được tìm thấy
là các ngoại lệ cộng tính có thể xảy ra với thống kê thử nghiệm xác thực tương ứng là 3,54,
9,55 và 5,20. Kiểm tra IO cho thấy quan sát thứ 10 và 11 có thể là IO, với thống kê kiểm tra
xác thực tương ứng là 7,11 và 6,64. Vì trong số các phép thử AO và IO có độ lớn lớn nhất xảy
ra cho phép thử AO ở T = 10, nên lần quan sát thứ 10 được đánh dấu tương ứng là một AO. Lưu ý
rằng thống kê thử nghiệm không được chứng nhận đối với AO tại T = 10 bằng 7,49, về cơ bản nhỏ
hơn giá trị thử nghiệm mạnh mẽ hơn là 9,55, cho thấy rằng việc xác minh ước tính của độ lệch
chuẩn tiếng ồn sẽ làm tăng sức mạnh của thử nghiệm. Sau khi kết hợp AO trong mô hình, không tìm
thấy bất kỳ ngoại lệ nào nữa. Đã bao giờ, ACF dư 1 độ trễ là đáng kể, cho thấy sự cần thiết phải
có tổng hợp MA (1). Do đó, mô hình ARIMA (1,0,1) + AO tại T = 10 đã được lắp vào dữ liệu. Mô hình
này được tìm thấy là không có ngoại lệ bổ sung và đã vượt qua tất cả các kiểm tra chẩn đoán mô
hình.
Hình 11.9 Quy trình ARIMA (1,0,1) được mô phỏng với chất phụ gia
•
y • AO ••
• •
•
•
• • • •• •
•• •
• • • • • • •
• •
• • •
• • • •
•
• •
• • •• ••
• •
•• •
•
•• •
•
8
6
4
2
0 2
10 • •• • ••
• • •
•
• • •
• ••• •• • •
•• •• • ••
• •• • ••
• •• •
•
• •
• ••••
• •
•
0 20 40 60 80 100
Thời gian
Đối với một ví dụ thực tế, chúng tôi quay trở lại mô hình ARIMA (0,1,1) × (0,1,1) 12 theo
mùa mà chúng tôi đã trang bị cho chuỗi thời gian carbon dioxide trong Chương 10. Biểu đồ chuỗi
thời gian của phần dư chuẩn hóa từ mô hình này, được thể hiện trong Hình 10.11 trên trang 238,
cho thấy một lượng dư tiêu chuẩn hóa lớn một cách đáng ngờ vào tháng 9 năm 1998. Tính toán cho
thấy rằng không có bằng chứng về hệ số phụ, vì λ2, t không lớn đáng kể đối với bất kỳ t nào.
phản hồi vào tháng 9 năm 1998. Giá trị tới hạn của Bonferroni với α = 5% và n = 132
là 3,5544. Vì vậy λ1 quan sát được của chúng tôi đủ lớn để khẳng định tầm quan trọng đối với một sự đổi mới
ra ngoài vào tháng 9 năm 1998. Hình 11.10 cho thấy kết quả của việc lắp ARIMA (0,1,1)
× (0,1,1) 12 mô hình với IO tại t = 57 với chuỗi thời gian CO2. Những kết quả này sẽ
so với các kết quả trước đó được hiển thị trong Phụ lục 10.10 trên trang 237, trong đó giá trị ngoại lệ
đã không được tính đến. Chú ý rằng các ước lượng của θ và Θ không thay đổi lắm
nhiều, AIC tốt hơn (nghĩa là nhỏ hơn), và hiệu ứng IO rất đáng kể. Chẩn đoán nostics dựa trên mô hình
này hóa ra là tuyệt vời, không có bất kỳ ngoại lệ nào khác được phát hiện và
chúng tôi có một mô hình rất phù hợp cho chuỗi thời gian theo mùa này.
Hình 11.10 ARIMA (0,1,1) × (0,1,1) 12 Mô hình với IO tại t = 57 cho Dòng CO2
Hệ số IO-57 θ Θ
2
σ ^ e = 0,4869: khả năng log = 133,08, AIC = 272,16
> m1.co2 = arima (co2, order = c (0,1,1), theo mùa = list (order = c (0,1,1),
kỳ = 12)); m1.co2
> phát hiệnAO (m1.co2); phát hiện (m1.co2)
> m4.co2 = arimax (co2, order = c (0,1,1), theo mùa = list (order = c (0,1,1),
kỳ = 12), io = c (57)); m4.co2
Mục đích chính của việc xây dựng mô hình chuỗi thời gian là để dự báo và ARIMA
mô hình thực hiện điều này bằng cách khai thác mẫu tự tương quan trong dữ liệu. Thông thường, thời gian
chuỗi đang nghiên cứu có thể liên quan đến, hoặc dẫn đầu bởi một số chuỗi thời gian đồng biến khác. Vì
ví dụ, Stige et al. (2006) phát hiện ra rằng sản xuất đồng cỏ ở Châu Phi nói chung có liên quan
đến một số chỉ số khí hậu. Trong những trường hợp như vậy, hiểu rõ hơn về quy trình cơ bản
và / hoặc các dự báo chính xác hơn có thể đạt được bằng cách kết hợp các hiệp biến có liên quan
vào mô hình chuỗi thời gian.
Gọi Y = {Yt } là chuỗi thời gian của biến phản ứng và X = {Xt } là hiệp biến
chuỗi thời gian mà chúng tôi hy vọng sẽ giúp giải thích hoặc dự báo Y. Để khám phá mối tương quan
giữa X và Y và mối quan hệ dẫn đầu của chúng, chúng tôi xác định hiệp phương sai chéo
function γt, s (X, Y) = Cov (Xt , Ys) cho mỗi cặp số nguyên t và s. Tính ổn định của chuỗi thời gian
đơn biến có thể dễ dàng mở rộng sang trường hợp chuỗi thời gian đa biến. Đối với đề thi, X và Y cùng
hiệp phương sai γt, s (X, Y) là một hàm của chênh lệch thời gian t - s. Đối với các điểm chuyên nghiệp
đứng yên, hàm tương quan chéo giữa X và Y ở độ trễ k sau đó có thể được xác định bằng
ρk (X, Y) = Corr (Xt, Yt - k) = Corr (Xt + k, Yt ). Lưu ý rằng nếu Y = X, tương quan chéo
trở thành tự tương quan của Y ở độ trễ k. Hệ số ρ0 (Y, X) đo lường sự liên kết tuyến tính liên tục
sự kết hợp giữa Xt và của Yt - k. Nhớ lại rằng hàm tự tương quan là một
Machine Translated by Google
hàm chẵn, nghĩa là, ρk (Y, Y) = ρ k (Y, Y). (Điều này là do Corr (Yt , Yt - k) =
Corr (Yt - k, Yt ) = Corr (Yt, Yt + k), theo tính cố định.) Tuy nhiên, hàm tương quan chéo
nói chung không phải là một hàm chẵn vì Corr (Xt , Yt - k) không cần bằng Corr (Xt, Yt + k).
Như một minh họa, hãy xem xét mô hình hồi quy
= + + (11.3.1)
Yt β0 β1Xt d - et
trong đó X là các biến ngẫu nhiên độc lập, được phân phối giống hệt nhau với phương sai
2
2 và chữ e cũng là nhiễu trắng có phương sai và
σX σe độc lập với chữ X. Nó
có thể được kiểm tra rằng hàm tương quan chéo (CCF) ρk (X, Y) giống hệt nhau bằng không
ngoại trừ lag k = d, trong đó
β1σX
ρ – d (
) X Y,
= -----------------------------
(11.3.2)
2 2 2
+
β1 σX σe
Trong trường hợp này, CCF lý thuyết chỉ khác 0 ở độ trễ -d, phản ánh thực tế rằng X là
“Dẫn đầu” Y theo d đơn vị thời gian. CCF có thể được ước tính bằng hàm tương quan
chéo mẫu (CCF mẫu) được xác định bởi
_ _
(Xt )X - Yt k - ) Y-
rk () X Y,
= ------------------------------------------------- ----------------
_ (11.3.3)
_ 2 2
-
(Xt X ) -
(Yt Y )
nơi mà các tóm tắt được thực hiện trên tất cả dữ liệu mà các triệu hồi có sẵn. Các
mẫu CCF trở thành mẫu ACF khi Y = X. Đồng biến X độc lập với Y
nếu và chỉ khi β1 = 0, trong trường hợp đó, tự tương quan mẫu rk (X, Y) là xấp xỉ
được phân phối chuẩn với giá trị trung bình bằng 0 và phương sai 1 / n, trong đó n là cỡ mẫu —
số cặp (Xt , Yt ) có sẵn. Các mẫu tương quan chéo lớn hơn
1,96 ⁄ n về độ lớn sau đó được coi là khác 0 đáng kể.
Chúng tôi đã mô phỏng 100 cặp (Xt , Yt ) từ mô hình của Phương trình (11.3.1) với d
= 2, β0 = 0, và β1 = 1. X và e được tạo ra dưới dạng các biến ngẫu nhiên bình
thường lần lượt là N (0,1) và N (0,0,25). Về mặt lý thuyết, CCF sau đó sẽ
0 ngoại trừ ở độ trễ 2, trong đó nó bằngρ () X Y, = 1 ⁄ + 1 0,25 = 0,8944. Triển lãm
2– 11.11 cho thấy CCF mẫu của dữ liệu mô phỏng, có ý nghĩa ở độ trễ 2 và 3.
Nhưng CCF mẫu ở độ trễ 3 là khá nhỏ và chỉ đáng kể. Thật sai lầm
báo động không nằm ngoài dự đoán vì triển lãm hiển thị tổng cộng 33 giá trị CCF mẫu trong số
mà chúng tôi có thể mong đợi trung bình 33 × 0,05 = 1,65 cảnh báo sai.
Machine Translated by Google
Hình 11.11 Tương quan chéo mẫu từ Công thức (11.3.1) với d = 2
0,6
CCF
0,2
0,2
15 10 5 0 5 10 15
Lỗi
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (12345); X = rnorm (105); Y = zlag (X, 2) +. 5 * rnorm (105)
> X = ts (X [- (1: 5)], start = 1, freq = 1); Y = ts (Y [- (1: 5)], start = 1, freq = 1)
> ccf (X, Y, ylab = 'CCF')
Mặc dù Xt - 2 tương quan với Yt, mô hình hồi quy được xem xét ở trên là
khá hạn chế, vì X và Y là từng chuỗi nhiễu trắng. Đối với chuỗi thời gian tĩnh,
biến phản hồi và hiệp biến thường tự tương quan với nhau và thuật ngữ lỗi
của mô hình hồi quy nói chung cũng là tự tương quan. Do đó, một hồi quy hữu ích hơn
mô hình được đưa ra bởi
= + + (11.3.4)
Yt β0 β1Xt d - Zt
trong đó Zt có thể tuân theo một số mô hình ARIMA (p, d, q) . Ngay cả khi quá trình X và Y là
độc lập với nhau (β1 = 0), tự tương quan trong Y và X có điều đáng tiếc là
hệ quả của việc ngụ ý rằng CCF mẫu không còn xấp xỉ N (0,1 / n).
Theo giả định rằng cả X và Y đều đứng yên và chúng độc lập với
nhau, nó chỉ ra rằng phương sai mẫu có xu hướng khác với 1 / n. Thực sự nó
có thể được chỉ ra rằng phương sai của nrk ( ) X Y, xấp xỉ
∞
1 2 + (11.3.5)
ρk ( ) ρ X k () Y
k 1 =
trong đó ρk (X) là tự tương quan của X ở độ trễ k và ρk (Y) được định nghĩa tương tự cho
Quy trình Y. Để cải thiện kết quả tiệm cận này, hãy xem Box et al. (1994, tr. 413).
Sup pose X và Y đều là quá trình AR (1) với hệ số AR (1) lần lượt là φX và φY .
Khi đó rk (X, Y) được phân phối xấp xỉ chuẩn với giá trị trung bình bằng 0, nhưng phương sai là
bây giờ xấp xỉ bằng
1 φXφY +
-----------------------------
- (11.3.6)
n 1 φXφY ()
Machine Translated by Google
Khi cả hai hệ số AR (1) đều gần bằng 1, tỷ lệ phương sai lấy mẫu của
rk (X, Y) đến giá trị danh nghĩa của 1 / n tiến tới vô cùng. Do đó, việc sử dụng không cần nghi ngờ của
quy tắc 1 / n trong việc quyết định tầm quan trọng của CCF mẫu có thể dẫn đến nhiều sai lầm hơn
dương hơn tỷ lệ lỗi danh nghĩa 5%, mặc dù thời gian phản hồi và hiệp biến
các chuỗi là độc lập với nhau. Hình 11.12 cho thấy một số kết quả số cho
trường hợp φX = φY = φ.
Phụ lục 11.12 Tỷ lệ lỗi tiệm cận của một thử nghiệm danh nghĩa 5% về tính độc
lập cho một cặp quy trình AR (1)
Vấn đề phương sai tăng cao của các hệ số tương quan chéo mẫu
trở nên cấp tính hơn đối với dữ liệu không cố định. Trên thực tế, các hệ số tương quan chéo
của mẫu có thể không còn được phân phối gần đúng bình thường ngay cả với một mẫu lớn
kích thước. Hình 11.13 hiển thị biểu đồ của 1000 tương quan chéo không độ trễ mô phỏng
giữa hai quy trình IMA (1,1) độc lập, mỗi quy trình có kích thước 500. Hệ số MA (1)
của θ = 0,8 được sử dụng cho cả hai quá trình mô phỏng. Lưu ý rằng phân phối của r0 (X, Y) là
xa bình thường và phân tán rộng rãi giữa 1 và 1. Xem Phillips (1998) về một cuộc thảo luận
lý thuyết phù hợp.
Hình 11.13 Biểu đồ của 1000 mẫu có độ trễ bằng không Tương quan chéo của hai quá trình IMA
(1,1) độc lập Mỗi quá trình có kích thước 500
0,6
0,4
trọng
Tỉ
0,2
0,0
r0 (X, Y)
Machine Translated by Google
Những kết quả này cung cấp cái nhìn sâu sắc về lý do tại sao đôi khi chúng ta thu được những thứ vô nghĩa (giả mạo)
tương quan giữa các biến chuỗi thời gian. Hiện tượng tương quan giả là
lần đầu tiên được nghiên cứu một cách có hệ thống bởi Yule (1926).
Ví dụ, sản lượng sữa hàng tháng và logarit của sản lượng hàng tháng ở Mỹ từ
tháng 1 năm 1994 đến tháng 12 năm 2005 được hiển thị
trong Phụ lục 11.14. Cả hai loạt phim đều có xu hướng tăng và mang tính thời vụ cao.
Hình 11.14 Sản lượng sữa hàng tháng và Logarit hàng tháng
Sản xuất điện ở Mỹ
Sữa
1700
1300
(điện)
Nhật
ký
12,7
12,4
Thời gian
Tính toán cho thấy rằng các chuỗi này có hệ số tương quan chéo ở độ trễ 0
là 0,54, "khác biệt có ý nghĩa thống kê so với 0" như được đánh giá dựa trên
tiêu chí lỗi tiêu chuẩn của1,96
Phụ ⁄ lục
n = 11.15 . thị các mối tương quan chéo mạnh mẽ
0,16 hiển
Hình 11.15 Mẫu tương quan chéo giữa sản lượng sữa hàng tháng và lôgarit của sản
lượng điện hàng tháng ở Hoa Kỳ
CCF
0,6
0,4
0,2
0,0
15 10 5 0 5 10 15
Lỗi
Trong phần trước, chúng tôi nhận thấy rằng với dữ liệu tự động tương quan mạnh, rất khó để
đánh giá sự phụ thuộc giữa hai quá trình. Vì vậy, nó là thích hợp để gỡ rối
kết hợp tuyến tính giữa X và Y, giả sử, từ sự tự tương quan của chúng. Một thiết bị hữu ích cho
làm điều này là làm trắng da. Nhớ lại rằng, đối với trường hợp X và Y đứng yên không
phụ thuộc vào nhau, phương sai của rk ( ) X Y, xấp xỉ
∞
1
- 1 2 (11.4.1)
ρk ( ) ρ X k () Y
+ n k 1 =
Việc kiểm tra công thức này cho thấy rằng phương sai gần đúng là 1 / n nếu một trong hai
(hoặc cả hai) của X hoặc Y là một quá trình nhiễu trắng. Trong thực tế, dữ liệu có thể không cố định,
nhưng chúng có thể được chuyển đổi thành nhiễu trắng xấp xỉ bằng cách thay thế dữ liệu bằng
phần còn lại từ một mô hình ARIMA được trang bị. Ví dụ: nếu X theo sau ARIMA (1,1,0)
mô hình không có thuật ngữ chặn, sau đó
˜
X Xt =1– - - (φ -
Xt 1– Xt 2– ) t Xt = 1 - ()
1 + φB φB2 + ] Xt (11.4.2)
là tiếng ồn trắng. Nói chung hơn, nếu Xt tuân theo một số mô hình ARIMA (p, d, q) có thể đảo ngược , thì
nghiên cứu CCF giữa X và Y bằng cách làm trắng Y và˜ X bằng˜ cách sử dụng cùng một bộ lọc
Y là, chữ
trên quy trình X và sau đó tính toán CCF của và; nghĩa X Y được làm trắng
và X. Vì làm trắng da là một hoạt động tuyến tính , bất kỳ mối quan hệ tuyến tính nào giữa
loạt ban đầu ˜sẽ được bảo quản sau khi làm trắng da. Lưu ý rằng chúng ta đã lạm dụng thuật ngữ,
Y
không nhất thiết phải là nhiễu trắng vì bộ lọc π (B) chỉ được thiết kế riêng để˜ chuyển dạng X
thành quá trình nhiễu trắng — không phải Y. Hơn nữa, chúng ta giả định rằng bộ Ylọc này là tĩnh.
Cách tiếp cận này có hai ưu điểm: (i) ý nghĩa thống kê của CCF mẫu của
1,96
dữ liệu làm rõ có thể được đánh giá bằng cách sử dụng điểm giới hạn⁄ n ,
và (ii) lý thuyết
đối của CCF được ước lượng tỷ lệ với các hệ số hồi quy nhất định.
Để xem (ii), hãy xem xét một mô hình hồi quy tổng quát hơn liên quan đến X với Y và, không có
mất tính tổng quát, giả sử cả hai quy trình đều không có giá trị trung bình:
∞
Yt = βj Xt j - Zt + (11.4.3)
j - = ∞
trong đó X độc lập với Z và các hệ số β sao cho quá trình này là
được xác định rõ. Trong mô hình này, các hệ số βk có thể khác không với bất kỳ số nguyên k
nào. Đã bao giờ, trong các ứng dụng thực tế, tổng vô hạn kép thường là một tổng hữu hạn để mô hình
đơn giản hóa thành
m2
Yt = βj Xt j - Zt , (11.4.4)
+ j m1 =
sẽ được giả định bên dưới mặc dù chúng tôi vẫn giữ nguyên tổng vô hạn kép
ký hiệu để dễ trình bày. Nếu tổng chỉ phạm vi trên một tập hợp hữu hạn số dương
các chỉ số, sau đó X dẫn trước Y và hiệp biến X đóng vai trò là một chỉ báo hàng đầu hữu ích cho
tương lai của Y. Áp dụng bộ lọc π (B) cho cả hai mặt của mô hình này, chúng tôi nhận được
∞
˜ ˜ ˜
Yt = βkX tk - t
+
Z (11.4.5)
k - = ∞
˜
Z đâu ––– =…
˜ làm tắt các độ
t Zt π1Zt 1– π2Zt 2– . Quy trình làm trắng trước do đó trực giao
trễ khác nhau của ˜ ban đầu. Vì là tiếng ồn trắngX
˜ X trong mô hình hồi quy
˜ độc Xlập
trình tự và ˜ với Z , hệ số tương quan chéo lý thuyết
giữa và ở độX trễ k bằng
Y ( β – k σX ˜ σY ˜ ) ⁄ . Nói cách khác, thập giá lý thuyết
tương quan của các quá trình làm trắng ở độ trễ k tỷ lệ với hệ số hồi quy cient β-k.
Để phân tích sơ bộ nhanh chóng, có thể dễ dàng thực hiện việc làm da gần đúng
trước tiên bằng cách phân biệt dữ liệu (nếu cần) và sau đó điều chỉnh mô hình AR gần đúng với
thứ tự được xác định bằng cách giảm thiểu AIC. Ví dụ, đối với sản xuất sữa và
dữ liệu tiêu thụ điện, cả hai đều mang tính thời vụ cao và chứa đựng xu hướng. Do đó,
chúng có thể được phân biệt với cả sự khác biệt thông thường và sự khác biệt theo mùa, và
thì quá trình làm trắng da có thể được thực hiện bằng cách lọc cả hai chuỗi khác nhau bằng AR
mô hình phù hợp với dữ liệu sữa khác nhau. Hình 11.16 cho thấy CCF mẫu giữa
loạt da bò. Không có mối tương quan chéo nào bây giờ là đáng kể ngoại trừ độ trễ
3, chỉ có ý nghĩa nhỏ. Mối tương quan chéo có ý nghĩa duy nhất có thể là
báo động sai vì chúng tôi dự kiến có khoảng 1,75 cảnh báo sai trong số 35 mẫu điều chỉnh chéo
Machine Translated by Google
hàng tấn được kiểm tra. Như vậy, có vẻ như sản xuất sữa và tiêu thụ điện đang
thực tế phần lớn không tương quan và mô hình tương quan chéo mạnh mẽ được tìm thấy giữa phần thô
Phụ lục 11.16 Mẫu CCF của Sữa trắng và Sản xuất điện
0,2
0,1
CCF
0,1
0,2
0,0
15 10 5 0 5 10 15
Lỗi
Mô hình được xác định bởi Công thức (11.3.4) trên trang 262 được gọi là
mô hình chức năng truyền, mô hình độ trễ phân tán hoặc mô hình hồi quy động.
Đặc điểm kỹ thuật mà độ trễ của hiệp biến nhập vào mô hình thường được thực hiện bởi
kiểm tra chức năng tương quan chéo của mẫu dựa trên dữ liệu làm rõ. Khi nào
mô hình dường như yêu cầu một số độ trễ hợp lý của hiệp biến, các hệ số hồi quy có thể được chỉ
định phân tích cú pháp thông qua một đặc tả ARMA tương tự như trường hợp
phân tích can thiệp; xem Box et al. (1994, Chương 11) để biết một số chi tiết. Chúng tôi minh họa
phương pháp dưới đây với hai ví dụ trong đó chỉ có một độ trễ của hiệp biến
cần thiết. Đặc điểm kỹ thuật của quá trình nhiễu ngẫu nhiên Zt có thể được thực hiện bằng cách kiểm tra
phần dư từ một bình phương nhỏ nhất thông thường (OLS) phù hợp của Y trên X bằng cách sử dụng các kỹ thuật
Ví dụ đầu tiên của chúng tôi về phần này là tập dữ liệu bán hàng và giá của một loại khoai tây chiên nhất định
từ Bluebird Foods Ltd., New Zealand. Dữ liệu bao gồm nhật ký được chuyển đổi
doanh số bán hàng theo đơn vị hàng tuần của các gói lớn khoai tây chiên tiêu chuẩn được bán và
giá bán theo tuần trong khoảng thời gian 104 tuần từ ngày 20 tháng 9 năm 1998 đến ngày 10 tháng 9,
Năm 2000; xem Phụ lục 11.17. Phép biến đổi logarit là cần thiết vì doanh số
dữ liệu rất lệch sang phải. Những dữ liệu này rõ ràng là không cố định. Hình 11.18
cho thấy rằng, sau khi phân biệt và sử dụng dữ liệu làm rõ, CCF chỉ có ý nghĩa ở
độ trễ 0, cho thấy mối quan hệ tiêu cực mạnh mẽ đồng thời giữa độ trễ 1 của giá cả
và bán hàng. Giá cao hơn có liên quan đến doanh số bán hàng thấp hơn.
Machine Translated by Google
Hình 11.17 Nhật ký hàng tuần (Bán hàng) và Giá cho Khoai tây chiên Bluebird
hàng
Việc
bán
300
100
bán
Giá
2,0
1,6
1,2
0 20 40 60 80 100
Thời gian
Hình 11.18 Mẫu tương quan chéo giữa nhật ký khác biệt được làm trắng (bán hàng) và giá
khoai tây chiên Bluebird
0,2
0,2
0,0
CCF
0,6
15 10 5 0 5 10 15
Lỗi
> prewhiten (y = diff (bluebird) [, 1], x = diff (bluebird) [, 2], ylab = 'CCF')
Hình 11.19 báo cáo các ước tính từ hồi quy OLS của nhật ký (doanh số bán hàng) về giá.
Tuy nhiên, các phần dư là tự tương quan, như có thể thấy từ ACF mẫu của chúng và
PACF lần lượt được hiển thị trong các Triển lãm 11.20 và 11.21. Thật vậy, các quan hệ tự
động lấy mẫu của các phần dư có ý nghĩa đối với bốn độ trễ đầu tiên, trong khi một phần của mẫu
tự tương quan có ý nghĩa ở độ trễ 1, 2, 4 và 14.
Machine Translated by Google
Phụ lục 11.19 Các ước tính hồi quy OLS về Nhật ký (Bán hàng) về Giá
Phụ lục 11.20 ACF mẫu của phần còn lại từ hồi quy OLS của nhật ký
(bán hàng) về giá
0,3
0,1
ACF
0,1
0,3
5 10 15 20
Lỗi
Hình 11.21 PACF mẫu của phần còn lại từ hồi quy OLS của nhật ký (bán
hàng) về giá
0,2
0,0
phần
một
ACF
0,2
5 10 15 20
Lỗi
EACF mẫu của các phần dư, được thể hiện trong Hình 11.22, chứa một tam giác
các số không có đỉnh tại (1,4), do đó đề xuất mô hình ARMA (1,4). Do đó, chúng tôi phù hợp với một
mô hình hồi quy của nhật ký (bán hàng) về giá với lỗi ARMA (1,4).
Phụ lục 11.22 EACF mẫu của phần còn lại từ hồi quy OLS của nhật ký (bán hàng)
về giá
AR / MA 0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 x x x x 0 0 xx 0 0 0 0 0 0
1 x 0 0 x 0 0 0 0 0 0 0 0 0 0
2 x x 0 x 0 0 0 0 0 0 0 0 0 0
3 x x 0 x 0 0 0 0 0 0 0 0 0 0
4 0 x x 0 0 0 0 0 0 0 0 0 0 0
5 x x x 0 x 0 0 0 0 0 0 0 0 0
6 x x 0 x xx 0 0 0 0 0 0 0 0
7 x 0 x 0 0 0 0 0 0 0 0 0 0 0
Phụ lục 11.23 Các ước tính về khả năng xảy ra tối đa của một mô hình hồi quy về nhật ký
(bán hàng) về giá với tập hợp con MA (4) cho các lỗi
σ2 được ước tính là 0,02623: khả năng log = 41,02, AIC = 70,05
> chip.m2 = arima (doanh số, đơn đặt hàng = c (1,0,4), xreg = data.frame (giá))
> chip.m2
> chip.m3 = arima (doanh số, đơn đặt hàng = c (1,0,4), xreg = data.frame (giá),
cố định = c (NA, 0, NA, 0, NA, NA, NA)); chip.m3
> chip.m4 = arima (doanh số, đơn đặt hàng = c (0,0,4), xreg = data.frame (giá),
cố định = c (0, NA, 0, NA, NA, NA)); chip.m4
Lưu ý rằng ước tính hệ số hồi quy về Giá tương tự như ước tính từ OLS
hồi quy phù hợp sớm hơn, nhưng sai số chuẩn của ước tính thấp hơn khoảng 10% so với
từ hồi quy OLS đơn giản. Điều này minh họa kết quả chung rằng OLS đơn giản
công cụ ước lượng nhất quán nhưng lỗi tiêu chuẩn liên quan thường không đáng tin cậy.
Machine Translated by Google
Phần còn lại từ mô hình được trang bị này bởi và lớn vượt qua chẩn đoán mô hình khác nhau
kiểm tra ngoại trừ rằng ACF dư là đáng kể ở độ trễ 14. Do đó, một số Box-Ljung
thống kê thử nghiệm có giá trị p giáp với 0,05 khi 14 độ trễ trở lên của các tương quan tự
động còn lại được đưa vào thử nghiệm. Mặc dù ACF đáng kể ở độ trễ 14 có thể gây ảnh hưởng hàng
quý, chúng tôi không báo cáo một mô hình phức tạp hơn bao gồm độ trễ 14 vì
(1) 14 tuần không chính xác tạo ra một quý và (2) thêm thành phần MA theo mùa (1)
của giai đoạn 14 chỉ dẫn đến cải thiện nhỏ về mặt chẩn đoán mô hình.
Ví dụ thứ hai, chúng tôi nghiên cứu tác động của giá xăng dầu cao hơn đối với việc sử dụng
đường vận tải công cộng. Tập dữ liệu bao gồm số lượt đăng ký công khai hàng tháng
giao thông vận tải ở Denver, Colorado, khu vực cùng với giá đường dây gaso trung bình hàng
tháng ở Denver từ tháng 8 năm 2000 đến tháng 3 năm 2006. Cả hai biến đều sai lệch
ở bên phải và do đó được chuyển đổi nhật ký. Như chúng ta sẽ thấy bên dưới, sự hình thành biến
đổi logarit cũng làm cho mô hình phù hợp cuối cùng dễ hiểu hơn. Các âm mưu của chuỗi thời gian,
được hiển thị trong Hình 11.24, hiển thị các xu hướng ngày càng tăng cho cả các biến và theo mùa
sự biến động về số lượng nội trú. Dựa trên ACF và PACF mẫu, một
Mô hình ARIMA (2,1,0) được trang bị cho dữ liệu giá xăng. Mô hình được trang bị này sau đó đã
được sử dụng để lọc dữ liệu nội trú trước khi tính CCF mẫu của chúng được hiển thị trong
Hình 11.25. CCF mẫu có ý nghĩa ở độ trễ 0 và 15, cho thấy mối tương quan đồng thời thuận chiều
giữa giá xăng và việc sử dụng phương tiện giao thông công cộng. Các
CCF đáng kể ở độ trễ 15, tuy nhiên, không chắc là có thật, vì khó có thể hình dung tại sao
số lần lên tàu có thể dẫn đầu giá xăng với độ trễ 15 tháng. Trong trường hợp này,
cách tiếp cận sơ bộ nhanh chóng để làm trắng loạt phim bằng cách lắp một mô hình AR dài,
tuy nhiên, cho thấy rằng không có CCF nào là đáng kể. Nó chỉ ra rằng ngay cả sau khi mã hóa dữ
liệu khác nhau, AIC chọn một mô hình AR (16). Thứ tự cao hơn đã chọn được kết hợp với
với khoảng thời gian tương đối ngắn có thể làm suy yếu đáng kể khả năng phát hiện các mối tương
quan giữa hai biến. Ngẫu nhiên, ví dụ này cảnh báo không nên chỉ dựa vào
trên AIC để chọn mô hình AR bậc cao để làm trắng da, đặc biệt với dữ liệu chuỗi thời gian ngắn
tương đối.
Biểu đồ 11,24 Logarit của Nội trú Phương tiện Công cộng Hàng tháng và
Giá xăng tại Denver, tháng 8 năm 2000 đến tháng 3 năm 2006
trú)
(nội
Nhật
ký
12,60
12,40
(giá)
Nhật
ký
5,4
4,8
Thời gian
Phụ lục 11.25 CCF mẫu của Nhật ký làm trắng (Nội thất) và Nhật ký (Giá)
0,2
0,1
0,0
CCF
0,2
Lỗi
Dựa trên ACF, PACF và EACF mẫu của các phần dư từ mô hình tuyến tính của
giá xăng lên xuống, dự kiến mô hình ARIMA (2,0,0) × (1,0,0) 12 theo mùa
được chỉ định cho quá trình lỗi trong mô hình hồi quy. Tuy nhiên, hệ số ước lượng φ2
không có ý nghĩa, và do đó thứ tự AR được giảm xuống p = 1. Sử dụng hệ số ngoại lệ
các kỹ thuật phát hiện được thảo luận trong Phần 11.2, chúng tôi đã tìm thấy một ngoại lệ phụ gia cho tháng Ba
2003 và một ngoại lệ sáng tạo vào tháng 3 năm 2004. Bởi vì thống kê thử nghiệm cho phụ gia
ngoại lệ có cường độ lớn hơn cường độ của ngoại lệ sáng tạo ( 4,09 so với 3,65), chúng tôi
đã kết hợp bộ phụ gia bên ngoài trong mô hình.
mô hình tiết lộ rằng ACF còn lại là đáng kể ở độ trễ 3, điều này cho thấy lỗi
quy trình là quy trình ARIMA theo mùa (1,0,3) × (1,0,0) 12+ . Như ước tính của
các hệ số θ1 và θ2 được tìm thấy là không đáng kể, chúng bị loại bỏ khỏi
mô hình được trang bị cuối cùng được báo cáo trong Phụ lục 11.26.
Chẩn đoán mô hình được trang bị cuối cùng cho thấy sự phù hợp tốt với dữ liệu. Ngoài ra, không còn nữa
các ngoại lệ đã được phát hiện. Khoảng tin cậy 95% cho hệ số hồi quy trên
Nhật ký (Giá) là (0,0249, 0,139). Lưu ý cách giải thích của mô hình được trang bị: a 100%
Việc tăng giá xăng sẽ dẫn đến việc sử dụng phương tiện giao thông công cộng tăng khoảng
8,2%.
† Điều tra sau đó cho thấy một trận bão tuyết 30 inch vào tháng 3 năm 2003 đã đóng cửa hoàn toàn
xuống Denver trong một ngày. Nó vẫn đóng cửa một phần trong vài ngày nữa.
Machine Translated by Google
Phụ lục 11.26 Ước tính khả năng xảy ra tối đa của Mô hình hồi quy
Ghi nhật ký (Lên máy bay) trên nhật ký (Giá) với lỗi ARMA
Cũng cần lưu ý rằng việc loại bỏ thuật ngữ ngoại lệ khỏi mô hình dẫn đến
ước tính hồi quy mới trên Nhật ký (Giá) là 0,0619 với sai số chuẩn là 0,0372.
Do đó, khi hệ số ngoại lệ không được mô hình hóa đúng, hệ số hồi quy không còn là
đáng kể ở mức 5%. Như được chứng minh trong ví dụ này, sự hiện diện của một ngoại lệ
có thể ảnh hưởng xấu đến suy luận trong mô hình chuỗi thời gian.
Trong chương này, chúng tôi đã sử dụng thông tin từ các sự kiện khác hoặc chuỗi thời gian khác để giúp lập mô hình
chuỗi thời gian quan tâm chính. Chúng tôi bắt đầu với cái gọi là mô hình can thiệp,
cố gắng kết hợp các sự kiện bên ngoài đã biết mà chúng tôi tin rằng có ảnh hưởng đáng kể đến
chuỗi thời gian quan tâm. Nhiều cách đơn giản nhưng hữu ích khác nhau để mô hình hóa hiệu ứng của
những can thiệp này đã được thảo luận. Các giá trị ngoại lai là những quan sát sai lệch về cơ bản so
với mô hình chung của dữ liệu. Các mô hình được phát triển để phát hiện và loại bỏ tỷ lệ ngoại lệ
trong chuỗi thời gian. Tài liệu trong phần về tương quan giả minh họa
khó khăn như thế nào để đánh giá mối quan hệ giữa hai chuỗi thời gian, nhưng các phương pháp liên quan đến
da bò đã được chứng minh là giúp ích trong vấn đề này. Một số ví dụ quan trọng đã được sử dụng
BÀI TẬP
11.1 Tạo biểu đồ chuỗi thời gian về số dặm hành khách hàng không trong khoảng thời gian từ tháng 1 năm
1996 đến tháng 5 năm 2005 bằng cách sử dụng các ký hiệu biểu đồ theo mùa. Hiển thị biểu đồ toàn
màn hình và thảo luận về tính thời vụ được hiển thị. Dữ liệu nằm trong tệp có tên là airmiles.
11.2 Chứng tỏ rằng biểu thức cho mt trong Phương trình (11.1.7) trên trang 251 thỏa mãn đệ quy “AR
(1)” được cho trong Phương trình (11.1.6) với điều kiện ban đầu m0 = 0.
11.3 Tìm “thời gian bán hủy” của tác động can thiệp được chỉ định trong Công thức (11.1.6) trên trang
11.4 Chứng tỏ rằng “thời gian bán hủy” của tác động can thiệp được chỉ định trong Công thức (11.1.6)
trên trang 251 tăng lên mà không bị ràng buộc khi δ tăng lên 1.
11.5 Chỉ ra rằng đối với tác động can thiệp được chỉ định bởi Công thức (11.1.6) trên trang 251
ω () T t - với t T
lim =
mt ≥, 0 ngược lại
δ 1 ,
11.6 Xem xét hiệu ứng can thiệp được hiển thị trong Phụ lục 11.3, (b), trang 253. (a) Chứng
tỏ rằng bước nhảy tại thời điểm T + 1 có độ cao ω như được hiển thị. (b) Chứng tỏ
rằng, như được hiển thị, tác động can thiệp có xu hướng ω / (1 - δ) là t
tăng mà không bị ràng buộc.
11.7 Xem xét hiệu ứng can thiệp được hiển thị trong Phụ lục 11.3, (c), trang 253. Chứng tỏ rằng hiệu
ứng tăng tuyến tính bắt đầu từ thời điểm T + 1 với độ dốc ω như được hiển thị.
11.8 Xem xét hiệu ứng can thiệp được hiển thị trong Phụ lục 11.4, (a), trang 254. (a) Chứng
tỏ rằng bước nhảy tại thời điểm T + 1 có độ cao ω như được hiển thị. (b) Cho thấy
rằng, như được hiển thị, tác động can thiệp có xu hướng trở về 0 khi t
tăng mà không bị ràng buộc.
11.9 Xem xét hiệu ứng can thiệp được hiển thị trong Phụ lục 11.4, (b), trang 254. (a) Chứng
tỏ rằng bước nhảy tại thời điểm T + 1 có độ cao ω1 + ω2 như được hiển thị. (b) Chỉ
ra rằng, như được hiển thị, tác động can thiệp có xu hướng ω2 khi t tăng lên với
ra ngoài ràng buộc.
11.10 Xem xét hiệu quả can thiệp được hiển thị trong Phụ lục 11.4, (c), trang 254.
(a) Chứng tỏ rằng bước nhảy tại thời điểm T có độ cao ω0 như được hiển
thị. (a) Chứng tỏ rằng bước nhảy tại thời điểm T + 1 có độ cao ω1 + ω2 như được
hiển thị. (b) Chỉ ra rằng, như được hiển thị, tác động can thiệp có xu hướng ω2 khi t tăng lên với
ra ngoài ràng buộc.
11.11 Mô phỏng 100 cặp (Xt , Yt ) từ mô hình của Phương trình (11.3.1) trên trang 261 với d = 3, β0 =
0 và β1 = 1. Sử dụng σX = 2 và σe = 1. Hiển thị và giải thích CCF mẫu giữa hai loạt này.
11.12 Chứng tỏ rằng khi X và Y là chuỗi thời gian AR (1) độc lập với các tham số φX và φY tương ứng,
thì Phương trình (11.3.5) trên trang 262 rút gọn để đưa ra Phương trình (11.3.6).
chuỗi mô phỏng. Chuỗi hiện có trung bình lý thuyết bằng 0 từ t = 1 đến 35 và trung bình 1 từ
t = 36 trở đi. Vẽ chuỗi thời gian mới và tính ACF và PACF mẫu cho chuỗi mới. So sánh những
kết quả này với kết quả của loạt bài gốc. (b) Lặp lại phần (a) nhưng với đáp ứng xung tại
thời điểm t = 36 của độ cao đơn vị, ω = 1. Vẽ đồ thị của chuỗi thời gian mới và tính ACF
và PACF mẫu cho chuỗi mới. So sánh những kết quả này với kết quả của loạt bài gốc. Hãy xem
liệu bạn có thể phát hiện ra giá trị ngoại lai của phụ gia tại thời điểm t = 36 hay không, giả
11.15 Xem xét chuỗi thời gian dặm bay của hành khách được thảo luận trong chương này. Tệp được đặt
tên là airmiles. Chỉ sử dụng dữ liệu trước can thiệp (tức là dữ liệu trước tháng 9 năm 2001)
cho bài tập này. (a) Xác minh rằng ACF mẫu cho chuỗi logarit sai phân hai lần của dữ liệu
trước can thiệp như được trình bày trong Phụ lục 11.5 trên trang 255. (b) Biểu đồ được tạo
trong phần (a) gợi ý một ARIMA (0,1,1 ) × (0,1,0) 12. Phù hợp với mô hình này và đánh giá
mức độ đầy đủ của nó. Đặc biệt, hãy xác minh rằng các giá trị ngoại lệ cộng được phát hiện vào
tháng 12 năm 1996, tháng 1 năm 1997 và tháng 12 năm 2002. (c) Bây giờ phù hợp với mô hình
quacy.
(d) Cuối cùng, phù hợp với mô hình ARIMA (0,1,1) × (0,1,1) 12 + ba ngoại lệ và đánh giá
sự đầy đủ.
11.16 Sử dụng logarit của bảng giá giao thông công cộng vùng Denver và chuỗi giá xăng Den ver. Dữ
liệu nằm trong tệp có tên boardings. (a) Hiển thị biểu đồ chuỗi thời gian của các lượt nội
(b) Hiển thị biểu đồ chuỗi thời gian của giá xăng trung bình hàng tháng bằng cách sử dụng biển
0,000025 inch) so với giá trị mục tiêu được chỉ định mà quy trình gia công công nghiệp tại
Deere & Co. tạo ra trong một số điều kiện hoạt động cụ thể. Những dữ liệu này lần đầu tiên
được sử dụng trong Bài tập 6.33, trang 146, nơi chúng tôi quan sát thấy một giá trị ngoại lệ
rõ ràng tại thời điểm t = 27. (a) Điều chỉnh mô hình AR (2) bằng cách sử dụng dữ liệu gốc bao
gồm cả giá trị ngoại lệ. (b) Kiểm tra mô hình AR (2) được trang bị của phần (a) cho cả ngoại
lệ AO và IO. (c) Bây giờ phù hợp với mô hình AR (2) kết hợp một thuật ngữ trong mô hình cho
ngoại lệ. (d) Đánh giá sự phù hợp của mô hình trong phần (c) bằng cách sử dụng tất cả các công
cụ chẩn đoán của chúng tôi. Theo mệnh đề, hãy so sánh các đặc tính của mô hình này với mô hình
11.18 Tệp dữ liệu có tên ngày chứa dữ liệu kế toán từ Công ty Winegard của Bur lington, Iowa. Dữ
liệu là số ngày cho đến khi Winegard nhận được thanh toán cho 130 đơn đặt hàng liên tiếp từ
(Tên của nhà phân phối phải được giấu tên vì lý do bảo mật.)
Những dữ liệu này lần đầu tiên được điều tra trong Bài tập 6.39, trang 147, nhưng một số
ngoại lệ đã được quan sát thấy. Khi các giá trị ngoại lệ quan sát được thay thế bằng các giá
trị điển hình hơn, mô hình MA (2) được đề xuất. (a) Điều chỉnh mô hình MA (2) với dữ liệu
(b) Bây giờ phù hợp với mô hình MA (2) kết hợp các ngoại lệ vào mô hình. (c)
Đánh giá sự phù hợp của mô hình thu được trong phần (b). Đặc biệt, có thêm bất kỳ
liers chỉ ra?
(d) Phù hợp với mô hình MA (2) khác kết hợp bất kỳ ngoại lệ bổ sung nào được tìm thấy trong phần
11.19 Tệp dữ liệu có tên bluebirdlite chứa dữ liệu bán hàng và giá hàng tuần cho khoai tây chiên
Bluebird Lite. Thực hiện phân tích tương tự như phân tích đối với khoai tây chiên Bluebird
11.20 Tệp có tên các đơn vị chứa doanh số bán hàng đơn vị hàng năm của một sản phẩm nhất định từ một
công ty quốc tế được biết đến rộng rãi trong những năm từ 1983 đến 2005. (Tên của công ty
phải được giấu tên vì lý do độc quyền.) (A) Vẽ chuỗi thời gian của đơn vị và mô tả những nét
chung của cốt truyện. (b) Sử dụng hồi quy bình phương nhỏ nhất thông thường để đưa một đường
thẳng vào đúng chuỗi. (c) Hiển thị PACF mẫu của phần dư từ mô hình này và chỉ định mô hình
ARIMA cho phần dư. (d) Bây giờ phù hợp với doanh số bán đơn vị mô hình = AR (2) + thời gian.
Diễn giải đầu ra. Cụ thể, hãy so sánh hệ số hồi quy ước tính trên biến thời gian thu được
ở đây với hệ số bạn thu được trong phần (b). (e) Thực hiện phân tích kỹ lưỡng các phần còn
lại từ mô hình cuối cùng này. (f) Lặp lại các phần (d) và (e) bằng cách sử dụng logarit
của doanh số bán hàng đơn vị khi phương án phản hồi có thể. So sánh những kết quả này với
11.21 Trong Chương 5–8, chúng tôi đã nghiên cứu mô hình IMA (1,1) cho logarit của giá dầu hàng tháng.
Hình 8.3 trên trang 178 gợi ý rằng có thể có một số ngoại lệ trong loạt bài này. Điều tra mô
hình IMA (1,1) cho loạt bài này để tìm các giá trị ngoại lệ bằng cách sử dụng các kỹ thuật
được phát triển trong chương này. Đảm bảo so sánh kết quả của bạn với những kết quả thu được
trước đó đã bỏ qua những ngoại lệ. Dữ liệu nằm trong tệp có tên dầu.
Machine Translated by Google
CHƯƠNG 12
CÁC MÔ HÌNH DÒNG THỜI GIAN CỦA
Các mô hình được thảo luận cho đến nay liên quan đến cấu trúc trung bình có điều kiện của dữ liệu chuỗi thời gian.
Tuy nhiên, gần đây, đã có nhiều nghiên cứu về việc lập mô hình cấu trúc biến thể có điều kiện
của dữ liệu chuỗi thời gian — chủ yếu được thúc đẩy bởi nhu cầu về mô hình tài chính. Gọi
{Yt } là một chuỗi thời gian quan tâm. Phương sai có điều kiện của Yt cho các giá trị Y trong
quá khứ , Yt - 1, Yt - 2,…, đo độ không chắc chắn về độ lệch của Yt so với giá trị trung bình
điều kiện E (Yt | Yt - 1, Yt - 2,…). Nếu {Yt } tuân theo một số mô hình ARIMA, thì phương sai
có điều kiện (đi trước một bước) luôn bằng phương sai nhiễu đối với bất kỳ giá trị hiện tại và
quá khứ nào của quá trình. Thật vậy, hằng số của phương sai có điều kiện đúng với các dự đoán
về bất kỳ số bước cố định nào phía trước đối với quy trình ARIMA. Trong thực tế, phương sai có
điều kiện (trước một bước) có thể thay đổi theo giá trị hiện tại và quá khứ của quá trình, và
như vậy, phương sai có điều kiện tự nó là một quá trình ngẫu nhiên, thường được gọi là quá
trình phương sai có điều kiện. Ví dụ, lợi nhuận hàng ngày của cổ phiếu thường được quan sát là
có phương sai có điều kiện lớn hơn sau một giai đoạn biến động giá dữ dội so với giai đoạn
tương đối ổn định. Việc phát triển các mô hình cho quá trình phương sai có điều kiện mà chúng
ta có thể dự đoán sự biến thiên của các giá trị trong tương lai dựa trên giá trị thuê và dữ
liệu quá khứ là mối quan tâm chính của chương này. Ngược lại, các mô hình ARIMA được nghiên cứu
trong các chương trước đó tập trung vào cách dự đoán giá trị trung bình có điều kiện của các
giá trị trong tương lai dựa trên dữ liệu hiện tại và quá khứ.
Trong tài chính, phương sai có điều kiện của tỷ suất sinh lợi của một tài sản tài chính
thường được sử dụng như một thước đo rủi ro của tài sản đó. Đây là một thành phần quan trọng
trong lý thuyết toán học về định giá tài sản tài chính và các tính toán VaR (Giá trị rủi ro);
ví dụ, xem Tsay (2005). Trong một thị trường hiệu quả, lợi nhuận kỳ vọng (trung bình có điều
kiện) phải bằng 0 và do đó chuỗi lợi nhuận phải là nhiễu trắng. Các chuỗi như vậy có cấu trúc
tự tương quan đơn giản nhất. Do đó, để dễ trình bày, chúng tôi sẽ giả định trong một vài phần
đầu tiên của chương này rằng dữ liệu là lợi nhuận của một số tài sản tài chính và là nhiễu
trắng; tức là dữ liệu không tương quan với nhau. Bằng cách đó, ban đầu chúng ta có thể tập
trung vào việc nghiên cứu cách lập mô hình cấu trúc phương sai có điều kiện của một chuỗi thời
gian. Đến cuối chương, chúng ta thảo luận về một số sơ đồ đơn giản để lập mô hình đồng thời giá
trị trung bình có điều kiện và cấu trúc phương sai có điều kiện bằng cách kết hợp mô hình ARIMA
với mô hình phương sai thay đổi có điều kiện.
277
Machine Translated by Google
278 Mô hình chuỗi thời gian của phương sai thay đổi
12.1 Một số đặc điểm chung của chuỗi thời gian tài chính
Như một ví dụ về chuỗi thời gian tài chính, chúng tôi xem xét các giá trị hàng ngày của một đơn vị
Quỹ cổ phiếu CREF trong khoảng thời gian từ ngày 26 tháng 8 năm 2004 đến ngày 15 tháng 8 năm 2006. CREF
quỹ chứng khoán là một quỹ bao gồm vài nghìn cổ phiếu và không được giao dịch công khai trên thị trường
chứng khoán. † Vì cổ phiếu không được giao dịch vào cuối tuần hoặc ngày lễ, chỉ vào những ngày được
gọi là giao dịch trong ngày, dữ liệu CREF không thay đổi vào cuối tuần và ngày lễ. Vì đơn giản, chúng tôi
sẽ phân tích dữ liệu như thể chúng được đặt cách đều nhau. Hình 12.1 cho thấy chuỗi thời gian
đồ thị của dữ liệu CREF. Nó cho thấy một xu hướng tăng nói chung với một gợi ý về khả năng thay đổi
cao hơn với mức giá trị cổ phiếu cao hơn. Giả sử {pt } là chuỗi thời gian của hàng ngày
giá của một số tài sản tài chính. Lợi nhuận (gộp liên tục) vào ngày thứ t là
định nghĩa là
rt - = pt
(log
1– pt
) () log (12.1.1)
Đôi khi lợi nhuận được nhân với 100 để chúng có thể được hiểu là phần trăm thay đổi của giá. Phép nhân
lợi nhuận thô có thể là những con số rất nhỏ và tạo ra lỗi làm tròn lớn trong một số đỉnh cal.
Hình 12.1 Giá trị cổ phiếu CREF hàng ngày: 26 tháng 8 năm 2004 đến 15 tháng 8 năm 2006
210210
CREF
CREF
190
170
0 0 100
100 200
200 300
300 400
400 500
500
Thời
Thời gian
gian
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
Hình 12.2 vẽ biểu đồ chuỗi trả về CREF (cỡ mẫu = 500). Cốt truyện cho thấy rằng
lợi nhuận biến động nhiều hơn trong một số khoảng thời gian và trở nên rất dễ bay hơi đối với
cuối kỳ nghiên cứu. Có thể thấy rõ hơn quan sát này bằng cách vẽ biểu đồ
biểu đồ trình tự thời gian của lợi nhuận tuyệt đối hoặc bình phương; xem Bài tập 12.1, trang 316.
† CREF là viết tắt của College Retirement Equities Fund — một nhóm quỹ cổ phiếu và trái phiếu quan trọng
đối với nhiều kế hoạch nghỉ hưu của giảng viên đại học.
Machine Translated by Google
12.1 Một số đặc điểm chung của chuỗi thời gian tài chính 279
Những kết quả này có thể được kích hoạt bởi sự bất ổn ở Trung Đông do chiến tranh ở
miền nam Lebanon từ ngày 12 tháng 7 đến ngày 14 tháng 8 năm 2006, giai đoạn được tô màu xám ở
Các vật chứng 12.1 và 12.2. Mô hình xen kẽ các khoảng thời gian yên tĩnh và không ổn định của
khoảng thời gian phụ này được gọi là phân nhóm biến động trong tài liệu. Sự biến động trong một thời gian
chuỗi liên quan đến hiện tượng trong đó phương sai có điều kiện của chuỗi thời gian thay đổi
tăng ca. Nghiên cứu về mô hình động lực trong sự biến động của một chuỗi thời gian (nghĩa là
quá trình phương sai có điều kiện của chuỗi thời gian) tạo thành chủ đề chính của
chương.
Hình 12.2 Hàng ngày Trả về Cổ phiếu CREF: Ngày 26 tháng 8 năm 2004 đến ngày 15 tháng 8 năm 2006
2
0,02
1
r.cref
r.cref
0,00
0
0.02
1
2
Thời gian
Thời gian
ACF và PACF mẫu của CREF hàng ngày trả về (nhân với 100), được hiển thị
trong các Hình ảnh minh họa 12.3 và 12.4, gợi ý rằng lợi nhuận có rất ít tương quan tuần tự. Các
mẫu EACF (không được hiển thị) cũng gợi ý rằng một mô hình tiếng ồn trắng thích hợp cho
những dữ liệu này. Lợi nhuận CREF trung bình bằng 0,0493 với sai số chuẩn là 0,02885.
Do đó, giá trị trung bình của quá trình trả về không khác 0 có ý nghĩa thống kê.
Điều này được mong đợi dựa trên giả thuyết thị trường hiệu quả được đề cập trong phần giới thiệu
280 Mô hình chuỗi thời gian của phương sai thay đổi
Hình 12.3 ACF mẫu của Kết quả CREF hàng ngày: 26/8/04 đến 15/08/06
ACF
0,05
0,10
0,05
0,00
0 5 10 15 20 25
Lỗi
Hình 12.4 PACF mẫu của lợi nhuận CREF hàng ngày: 26/8/04 đến 15/08/06
phần
một
ACF
0,05
0,05
0,00
0 5 10 15 20 25
Lỗi
Tuy nhiên, phân nhóm biến động được quan sát trong dữ liệu trả về CREF cho chúng ta một gợi ý
rằng chúng có thể không được phân phối độc lập và giống hệt nhau — nếu không thì phương sai
sẽ không đổi theo thời gian. Đây là dịp đầu tiên chúng tôi nghiên cứu về các mô hình chuỗi thời gian
nơi chúng ta cần phân biệt giữa các giá trị chuỗi là không tương quan và các giá trị chuỗi
độc lập. Nếu các giá trị chuỗi thực sự độc lập, thì tức thời phi tuyến
các phép biến đổi chẳng hạn như lấy logarit, giá trị tuyệt đối hoặc bình phương bảo toàn tính không
xác định. Tuy nhiên, điều tương quan không đúng, vì tương quan chỉ là thước đo
của sự phụ thuộc tuyến tính. Có thể khám phá cấu trúc phụ thuộc nối tiếp bậc cao hơn trong dữ liệu
bằng cách nghiên cứu cấu trúc tự tương quan của lợi tức tuyệt đối (của biến thể lấy mẫu ít hơn
Machine Translated by Google
12.1 Một số đặc điểm chung của chuỗi thời gian tài chính 281
khả năng với ít khả năng kiểm soát toán học hơn) hoặc lợi nhuận bình phương (có độ biến
thiên sam pling lớn hơn nhưng có khả năng quản lý cao hơn về mặt lý thuyết thống kê). Nếu
lợi nhuận được phân phối độc lập và giống hệt nhau, sau đó lợi nhuận tuyệt đối cũng vậy (như
là lợi nhuận bình phương), và do đó chúng cũng sẽ là tiếng ồn trắng. Do đó, nếu lợi nhuận
abso lute hoặc bình phương thừa nhận một số tự tương quan đáng kể, thì những tions
autocorrela này cung cấp một số bằng chứng chống lại giả thuyết rằng lợi nhuận là độc lập
và được phân phối giống nhau. Thật vậy, ACF và PACF mẫu của lợi tức tuyệt đối
và những lợi nhuận bình phương trong Phần hiển thị 12.5 đến 12.8 hiển thị một số
tự tương quan và do đó cung cấp một số bằng chứng cho thấy lợi nhuận CREF hàng ngày không
phân phối độc lập và giống hệt nhau.
Biểu đồ 12.5 ACF mẫu về lợi nhuận CREF hàng ngày tuyệt đối
0,15
0,05
ACF
0,05
0 5 10 15 20 25
Lỗi
> acf (abs (r.cref))
Hình 12.6 PACF mẫu của lợi nhuận CREF hàng ngày tuyệt đối
0,05
phần
một
ACF
0,05
0 5 10 15 20 25
Lỗi
282 Mô hình chuỗi thời gian của phương sai thay đổi
Hình 12.7 ACF mẫu của Lợi nhuận CREF Hàng ngày Bình phương
0,15
ACF
0,05
0,05
0 5 10 15 20 25
Lỗi
> acf (r.cref ^ 2)
Hình 12.8 PACF mẫu của Lợi nhuận CREF Hàng ngày Bình phương
0,15
0,05
phần
một
ACF
0,05
0 5 10 15 20 25
Lỗi
Những công cụ trực quan này thường được bổ sung bằng cách chính thức kiểm tra xem bình phương
dữ liệu được tự động tương quan bằng cách sử dụng thử nghiệm Box-Ljung. Bởi vì không cần lắp mô hình,
bậc tự do của phân phối chi bình phương gần đúng cho Box-Ljung
thống kê bằng số lượng các mối tương quan được sử dụng trong bài kiểm tra. Do đó, nếu chúng ta
sử dụng m autocorre của dữ liệu bình phương trong thử nghiệm, thì thống kê thử nghiệm là xấp xỉ
chi bình phương được phân bổ với m bậc tự do, nếu không có ARCH. Cách tiếp cận này có thể được mở rộng
trong trường hợp khi giá trị trung bình có điều kiện của quá trình là khác 0 và nếu ARMA
mô hình phù hợp trong việc mô tả cấu trúc tự tương quan của dữ liệu. Trong trường hợp,
m tự tương quan đầu tiên của phần dư bình phương từ mô hình này có thể được sử dụng để kiểm tra
12.1 Một số đặc điểm chung của chuỗi thời gian tài chính 283
phân phối chi bình phương với m bậc tự do theo giả định không có ARCH
hiệu lực, xem McLeod và Li (1983) và Li (2004). Dưới đây, chúng tôi sẽ tham khảo thử nghiệm cho
Hiệu ứng ARCH bằng cách sử dụng thống kê Box-Ljung với phần dư hoặc dữ liệu bình phương là
Thử nghiệm McLeod- Li.
Trên thực tế, sẽ rất hữu ích nếu áp dụng thử nghiệm McLeod-Li cho ARCH bằng cách sử dụng một số
trễ và vẽ biểu đồ giá trị p của bài kiểm tra. Hình 12.9 cho thấy các bài kiểm tra McLeod-Li đều là
có ý nghĩa với mức ý nghĩa 5% khi có hơn 3 độ trễ trong phép thử.
Điều này hoàn toàn phù hợp với mô hình trực quan trong Phụ lục 12.7 và chính thức cho thấy
Hình 12.9 Thống kê Kiểm tra McLeod-Li cho Lợi nhuận CREF Hàng ngày
1,0
0,8
•
0,6
trị
Giá
P
0,4 •
0,2
•
0,0
•• • • • • •••••••••••
0 5 10 15 20 25
Lỗi
> win.graph (chiều rộng = 4,875, chiều cao = 3, kích thước điểm = 8)
> McLeod.Li.test (y = r.cref)
Hình dạng phân phối của lợi nhuận CREF có thể được khám phá bằng cách xây dựng một QQ
biểu đồ điểm bình thường — xem Phụ lục 12.10. Cốt truyện QQ gợi ý rằng sự phân phối của
lợi nhuận có thể có đuôi dày hơn so với phân phối bình thường và có thể hơi
lệch về bên phải. Thật vậy, thống kê thử nghiệm Shapiro-Wilk để kiểm tra tính bình thường bằng
0,9932 với giá trị p bằng 0,024, và do đó chúng tôi bác bỏ giả thuyết bình thường tại
284 Mô hình chuỗi thời gian của phương sai thay đổi
Biểu đồ 12.10 QQ Lô đất bình thường của lợi nhuận CREF hàng ngày
2 • • •
• • • • • • • • •
• • • • • • • • • • • •
• • • • • • • • • • • • • •
•
• • • • • • • • • • • • • • •
1 • •• •• •• •• •• •• •• •• •• •( • • • • • • •
••
•• ••
••• ••• •••
••• ••• ••• ••
••••••••••••••••••••••••••
••
• • • • •
••• ••• ••• ••• ••• •
•••••••••••••••••"••••••••••••
•••••• •••••••••••••••••••••••••••••••••••••••••••••••
••
••
•••••••••••
•••••••••••••••••••••••••••••••••(•••••••••••••••••••
•• •••••••••
••••
••
••••••••••••••••••••••••••••••••••••••
(•)
0 •••
••
••
••••
••••
•••••••••••••••••••••••
•••
••••
•••••••••••••••••••••••••••••••••••••••••••••••
••
•• •• •• •• •• •• •• •• ••
••
• •••••••••••••••••••••••••••••••••• ••••••••••••( •••••••
•••
••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••••
• •• •• •• •• •• •• •• •• •• •• •• •• •• •(
•
•
••
•
•••
••
••••
•••
••• •• ••••
••••• ••••• ••••• •
•••
•••••
•••
•••••
•••
•••••
•••
••
••
•••• •••• •••• •••• •
••
•• •• •• •• ••
•••
Lượng
mẫu
tử ••••
•••••••••
• • • •
•••••••• •••••
••••
••••
••••• •••
•••••••••••• •••••• •••••• •••••• •
•••• •••• •••• •••• •••• •••• ••
• •••
••••••
••••••••
••••••••
••••••••
••••••••
•(
••••••••••••
1
2
3 2 1 0 1 2 3
Lượng tử lý thuyết
Độ lệch của một biến ngẫu nhiên, chẳng hạn Y, được xác định bởi E (Y μ) 3 / σ3, trong
đó μ và σ lần lượt là giá trị trung bình và độ lệch chuẩn của Y. Nó có thể được ước tính bằng
độ lệch mẫu
N _
3 nσ ^ 3 (12.1.2)
g1 = (Yi -Y ⁄ )()
tôi 1 =
_
2
ở đâu
σ ^ 2 = Σ (Yi) Y- ⁄ n là phương sai mẫu. Độ lệch mẫu của trả về CREF bằng 0,116. Độ
dày của phần đuôi của phân bố so với phân bố không phải là 4 / σ4 - 3. mal thường được đo bằng
(dư thừa), được định nghĩa là E (Y - μ) kurtosis
Đối với các phân phối bình thường, kurtosis luôn bằng không. Một phân bố có hệ số
kurtosis posi tive được gọi là phân phối có đuôi nặng , trong khi nó được gọi là có đuôi
nhẹ nếu kurtosis của nó là âm. Kurtosis có thể được ước tính bằng kurtosis mẫu
N _
4 nσ ^ 4 (12.1.3)
g2 = (Yi -Y ⁄ )() 3–
tôi 1 =
Kurtosis mẫu của CREF trả về bằng 0,6274. Một định nghĩa thay thế của kurtosis sửa đổi
công thức và sử dụng E (rt - μ) 4 / σ4; nghĩa là, nó không trừ ba khỏi tỷ lệ. Chúng tôi sẽ
luôn sử dụng định nghĩa cũ cho kurtosis.
Một thử nghiệm khác cho tính chuẩn là kiểm định Jarque-Bera, dựa trên thực tế là phân
phối chuẩn không có độ lệch bằng 0 và độ lệch bằng không. Giả sử dữ liệu được phân phối độc
lập và giống hệt nhau Y1, Y2,…, Yn, thống kê thử nghiệm Jarque-Bera được định nghĩa là
2 2
ng1 ng2
JB + =--------
-------- (12.1.4)
6 24
Machine Translated by Google
trong đó g1 là độ lệch mẫu và g2 là độ lệch mẫu. Theo giả thuyết rỗng của chuẩn
tắc, thống kê kiểm định Jarque-Bera được phân phối xấp xỉ là χ2 với hai bậc tự do.
Trên thực tế, theo giả định thông thường, mỗi lần triệu hồi và xác định chỉ số
Jarque-Bera là xấp xỉ χ2 với 1 bậc tự do. Thử nghiệm Jarque-Bera bác bỏ giả định về
tính chuẩn nếu thống kê thử nghiệm quá lớn. Đối với lợi nhuận CREF, JB = 500 ×
0,1162 / 6 + 500 × 0,62742 / 24 = 1,12 + 8,20 = 9,32 với giá trị p bằng 0,011. Nhớ
lại rằng 5 phần trăm trên của phân phối χ2 với đơn vị bậc tự do bằng 3,84. Do đó,
dữ liệu có vẻ không bị lệch nhưng có phần đuôi tương đối nặng. Đặc biệt, giả định
về tính chuẩn không phù hợp với dữ liệu trả về CREF - một kết luận cũng phù hợp với
kết quả của thử nghiệm Sha piro-Wilk.
Tóm lại, dữ liệu trả về CREF được phát hiện là không tương quan theo thứ tự nhưng
thừa nhận một cấu trúc phụ thuộc bậc cao hơn, cụ thể là phân nhóm biến động và phân bổ
theo thứ tự nặng. Người ta thường nhận thấy rằng các đặc điểm như vậy khá phổ biến trong
số liệu chuỗi thời gian tài chính. Các mô hình GARCH được giới thiệu trong các phần tiếp
theo cố gắng cung cấp một khuôn khổ để mô hình hóa và phân tích chuỗi thời gian hiển thị
một số đặc điểm này.
Engle (1982) lần đầu tiên đề xuất mô hình phương sai thay đổi có điều kiện tự hồi quy (ARCH)
để lập mô hình phương sai thay đổi của một chuỗi thời gian. Như đã thảo luận trong phần
trước, chuỗi lợi nhuận của tài sản tài chính, chẳng hạn {rt }, thường là một chuỗi không
tương quan với nhau với giá trị trung bình bằng 0, ngay cả khi nó thể hiện sự phân nhóm biến
động. Điều này cho thấy rằng phương sai có điều kiện của rt được trả về trong quá khứ không
2
phải là hằng số. Phương sai có điều kiện, còn được gọi là độ biến động có điều
σt | t
,
kiện,
1– sẽcủa
được
rt
biểu thị bằng chỉ số con t - 1 biểu thị rằng điều kiện là khi trả về trong thời gian t - 1.
Khi có 2 2 rt , lợi tức bình phương cung trị
cấp không
một giá
chệch
công cụ ước lượng của chuỗi A rt σt đoạn
| t 1– lợi đối
tương nhuận bình
biến phương
động. lớnlại,
Ngược có thể báo . nhuận
loạttrước
mộtbình lợigiai
một
phương nhỏ
có thể báo trước một thời kỳ tương đối yên tĩnh. Mô hình ARCH là mô hình hồi quy về mặt vật
lý với biến động có điều kiện là biến phản hồi và độ trễ trong quá khứ của lợi nhuận bình
phương là biến số. Ví dụ: mô hình ARCH (1) giả định rằng chuỗi trả về {rt } được tạo như sau:
= (12.2.1)
rt σt | t 1– εt
2 2
+ =ω αrt 1– (12.2.2)
σt | t 1–
trong đó α và ω là các tham số chưa biết, {εt } là một chuỗi các biến ngẫu nhiên phân bố
độc lập và xác định theo chu kỳ, mỗi biến có phương sai đơn vị và giá trị trung bình bằng
0 (còn được gọi là đổi mới), và εt độc lập với rt - j, j = 1, 2,….Sự đổi mới εt 2được tính
trước là có phương sai đơn vị để phương sai có điều kiện của rt bằng Điều này .
σt | xuất
t 1– phát
từ
Machine Translated by Google
286 Mô hình chuỗi thời gian của phương sai thay đổi
2 2 2
E (rt | rt j j = 1 2,…) E σt= |(,t 1–
- εt | rt j -), j = 1 2,…
2 2
= (εt ), j = 1 2,…
σt | t 1– E | rt j -
2 2
= ()
σt | t 1– E εt
(12.2.3)
2
=
σt | t 1–
Đẳng thức thứ hai theo sau bởi vì σt | t - 1 được biết đến khi trả về quá khứ, thứ ba
sự bình đẳng được duy trì bởi vì nó không phụ thuộc vào lợi nhuận trong quá khứ, và kết quả bình đẳng cuối cùng
Hình 12.11 Mô hình ARCH được mô phỏng (1) với ω = 0,01 và α1 = 0,9
0,5
rt
0,0
0,5
† Gói R có tên là tseries được yêu cầu cho chương này. Chúng tôi giả định rằng người đọc có
đã tải xuống và cài đặt nó.
Machine Translated by Google
2 2
- =
ηt rt σt | t 1–
(12.2.4)
Có thể xác minh rằng {ηt } là một chuỗi không tương quan với nhau với giá trị trung bình bằng 0. Hơn nữa, ηt
2 2
không liên quan đến lợi nhuận trong quá khứ. Thay thế vào
σt | phương
t 1– ηttrình
- = (12.2.2)
rt
rõ ràng là
2 2
rt = + + ηt (12.2.5)
ω αrt 1–
Do đó, chuỗi trả về bình phương thỏa mãn mô hình AR (1) theo giả định về
Mô hình ARCH (1) cho chuỗi trả về! Dựa trên quan sát hữu ích này, ARCH (1)
mô hình có thể được chỉ định nếu thông số kỹ thuật AR (1) cho lợi nhuận bình phương được đảm bảo bởi
mô hình ARCH. Ví dụ: vì lợi nhuận bình phương phải không âm, nó
có nghĩa là luôn hạn chế các tham số ω và α là không âm. Ngoài ra, nếu
chuỗi trả về là đứng yên với phương sai σ2, sau đó lấy kỳ vọng ở cả hai phía của
Phương trình (12.2.5) cho kết quả
2 2
σ + =ω ασ (12.2.6)
có điều kiện và phương sai thay đổi có điều kiện có thể không tương thích với nhau. Tuy nhiên, hãy nhớ lại rằng yếu
tính ổn định của một quá trình đòi hỏi giá trị trung bình của quá trình phải không đổi và hiệp
phương sai của quá trình tại hai thời điểm bất kỳ là hữu hạn và giống hệt nhau bất cứ khi nào độ trễ của
hai kỷ nguyên giống nhau. Đặc biệt, phương sai là không đổi đối với
quá trình. Điều kiện 0 ≤ α <1 ngụ ý rằng tồn tại một phân phối ban đầu cho r0
sao cho rt được xác định bởi Công thức (12.2.1) và (12.2.2) cho t ≥ 1 là đứng yên yếu trong
ý nghĩa trên. Thật thú vị khi quan sát rằng tính ổn định yếu không loại trừ
khả năng xảy ra quá trình phương sai có điều kiện không thay thế, như trường hợp của ARCH (1)
người mẫu! Có thể kiểm tra rằng quá trình ARCH (1) là nhiễu trắng. Do đó, nó là một thử nghiệm
của nhiễu trắng thừa nhận một quá trình phương sai có điều kiện không thay đổi như đã định nghĩa
bởi Công thức (12.2.2) thay đổi theo độ trễ của một quá trình bình phương.
Một tính năng thỏa mãn của mô hình ARCH (1) là, ngay cả khi sự đổi mới , nó có
phân phối chuẩn, phân phối cố định của mô hình ARCH (1) với 1> α> 0 có
4
đuôi mập; nghĩa là, kurtosis Ecủa
() σ4 ⁄ lớn
rt nó, , 0. (Nhớ lại rằng kurtosis
3– hơn
của phân phối chuẩn luôn bằng 0 và phân phối có kurtosis dương là
được cho là có đuôi béo, trong khi một biến thể có kurtosis âm được gọi là phân phối
đuôi sáng.) Để xem tính hợp lệ của tuyên bố này, hãy xem xét trường hợp {εt } được phân
phối rõ ràng và giống hệt nhau như các biến bình thường tiêu chuẩn. Nâng cao cả hai mặt của
Phương trình (12.2.1) ở trang 285 cho lũy thừa thứ tư và lấy các kỳ vọng đưa ra
Machine Translated by Google
288 Mô hình chuỗi thời gian của phương sai thay đổi
4 4 4
E (rt ) EE σt | t 1–
= [( εt | rt ,,,…
, j = 123
j - )]
4 4
= [E E (εt | rt j - ,,,…
, j = 123 )]
σt | t 1–
(12.2.7)
4 4
= [E E ()
εt ]
σt | t 1–
4
3E
= ()
σt | t 1–
Đẳng thức đầu tiên theo sau từ công thức kỳ vọng lặp lại, trong công thức đơn giản
trường hợp của hai biến ngẫu nhiên X, Y, nói rằng E [E (X | Y)] = E (X). [Xem Công thức (9.E.5)
trên trang 218 để xem lại.] Đẳng thức thứ hai là kết quả của thực tế rằng σt |t - 1
đã được biết đến
trả lại trong quá khứ. Bình đẳng thứ ba là kết quả của sự độc lập giữa εt và quá khứ
trả về, và bình đẳng cuối cùng tuân theo giả định bình thường. Nó vẫn còn để cal
culate E ()4 . Bây giờ, vẫn chưa rõ liệu kỳ vọng trước đó có tồn tại dưới dạng một
σt | t 1–
con số. Hiện tại, giả sử nó có và, giả sử đứng yên, hãy để nó được ký hiệu là
τ. Dưới đây, chúng tôi sẽ đưa ra một điều kiện để giả định này có hiệu lực. Nâng cao cả hai bên
của Công thức (12.2.2) thành lũy thừa thứ hai và lấy sản lượng kỳ vọng
2 2
τ ω= + α 2 2ωασ + 3τ (12.2.8)
ngụ ý
2
2 ω + 2ωασ
τ = ------------------------------
(12.2.9)
2 -1 3α
Sự bình đẳng này cho thấy rằng một điều kiện cần (và trên thực tế, cũng đủ) để
tính hữu hạn của τ là trong
0 α≤ 1trường
3 ⁄ < hợp
, đó quá trình ARCH (1) có
thời điểm thứ tư. Ngẫu nhiên, điều này cho thấy rằng mô hình ARCH (1) cố định không cần phải có
khoảnh khắc thứ tư hữu hạn. Sự tồn tại của các mômen cao hơn hữu hạn sẽ hạn chế hơn nữa
phạm vi thông số — một tính năng cũng được chia sẻ bởi các chất tương tự bậc cao hơn của mô hình ARCH
và các biến thể của nó. Quay trở lại việc tính toán kurtosis của một quy trình ARCH (1), nó
có thể được chỉ ra bằng đại số tẻ nhạt rằng Công thức (12.2.1) ngụ ý rằng τ> σ4 và do đó
4
E ()
rt 3σ4 > . Do đó, kurtosis của quá trình ARCH tĩnh (1) lớn hơn 0.
Điều này xác minh tuyên bố trước đó của chúng tôi rằng một quy trình ARCH (1) có các đuôi béo ngay
cả khi không có đổi mới. Nói cách khác, phần đuôi béo là kết quả của sự phân nhóm biến động như đã
Công dụng chính của mô hình ARCH là để dự đoán các phương sai có điều kiện trong tương lai. Vì
ví dụ, một người có thể quan tâm đến việc dự báo phương sai có điều kiện h-step-front
2 2
σt h + | t
= (h + | , ) t ,1– …
rt Er rt (12.2.10)
2 2 2 2
= + = 1 () σ - α + (12.2.11)
σt + 1 | t
ω αrt αrt
là trung bình có trọng số của phương sai dài hạn và lợi tức bình phương hiện tại.
Tương tự, sử dụng công thức kỳ vọng được lặp lại, chúng ta có
Machine Translated by Google
2 2
σt h + | t
, ) t ,1– …
r =E (rt h + | rt
2
EE σt 2h( +| +rt| hth1–1–
+ = εt
[ h + ,r) thứ 2–, + … | rt
, r] t ,1– …
2 2
( h + ) |
= [h + + | th 1– E εt
rt Er σt , t 1– ,… ]
(12.2.12)
2
r =E (σt h + + | th ,
1– | rt t 1– ,… )
2
r ++ = (ω αE rt| h,
rt 1– t 1– ,… )
2
+ =
ω ασt h - + 1 | t
2 2
nơi chúng tôi áp dụng quy ước rằng σt h +
= cho h <0. Công thức trên pro
| t rt h +
cung cấp một công thức đệ quy để tính toán phương sai có điều kiện h-step-front.
Các công thức dự báo có được trong phần trước cho thấy cả điểm mạnh và
điểm yếu của mô hình ARCH (1), vì dự báo các phương sai có điều kiện trong tương lai
chỉ liên quan đến lợi nhuận bình phương gần đây nhất. Trong thực tế, người ta có thể mong đợi rằng độ chính xác
của dự báo có thể cải thiện bằng cách bao gồm tất cả các lợi nhuận bình phương trong quá khứ với trọng số nhỏ hơn
cho các độ bay xa hơn. Một cách tiếp cận là bao gồm lợi nhuận bình phương bị trễ hơn nữa trong
ngươi mâu. Mô hình ARCH (q) , được đề xuất bởi Engle (1982), tổng quát hóa phương trình
(12.2.2) trên trang 285, bằng cách chỉ định rằng
2 2 2 2
= +ω α1rt 1– + α2rt
++ 2– (12.3.1)
σt | t 1– … Αqrt q -
Ở đây, q được gọi là thứ tự ARCH. Một cách tiếp cận khác, do Bollerslev đề xuất
(1986) và Taylor (1986), giới thiệu độ trễ p của phương sai có điều kiện trong mô hình,
trong đó p được gọi là lệnh GARCH. Mô hình kết hợp được gọi là phương sai thay đổi
có điều kiện tự động hồi quy tổng quát, GARCH (p, q), mô hình.
2 2 2 2
= + ++ + α1rt 1–
σt | t 1– ω β1σt 1 | t 2–– … Βpσt p | t p 1 –––
(12.3.2)
2 2
+ α2rt 2– + +
… Αqrt q -
2 2
(1 ––– + = + +
( … αqBq (12.3.3)
β1B σt
… βpBp )
| t 1– ω α1B ) rt
Chúng tôi lưu ý rằng trong một số tài liệu, ký hiệu GARCH (p, q) được viết là
GARCH (q, p); nghĩa là, các lệnh được chuyển đổi. Có thể hơi khó hiểu nhưng đúng là
hai bộ quy ước khác nhau được sử dụng trong các phần mềm khác nhau! Người đọc phải tìm ra
quy ước nào được sử dụng bởi phần mềm có sẵn trước khi điều chỉnh hoặc giải thích một
Mô hình GARCH.
Machine Translated by Google
290 Mô hình chuỗi thời gian của phương sai thay đổi
Bởi vì các phương sai có điều kiện phải không âm, các hệ số trong GARCH
mô hình thường bị hạn chế là không âm. Tuy nhiên, tham số không âm
các ràng buộc không cần thiết đối với mô hình GARCH để có các biến thể có điều kiện không âm
với xác suất 1; xem Nelson và Cao (1992) và Tsai và Chan (2006). Cho phép nhập các giá trị tham
số là âm có thể làm tăng các mẫu động có thể
được chụp bởi mô hình GARCH. Chúng ta sẽ trở lại vấn đề này sau. Từ đó đến nay, trong
phần này, chúng tôi sẽ giả định ràng buộc không âm cho các tham số GARCH.
Hình 12.12 cho thấy biểu đồ chuỗi thời gian của một chuỗi thời gian, có kích thước 500, được mô phỏng
từ mô hình GARCH (1,1) với các cải tiến thông thường tiêu chuẩn và các giá trị tham số
ω = 0,02, α = 0,05 và β = 0,9. Sự phân nhóm biến động thể hiện rõ ràng trong cốt truyện, càng lớn
những biến động (nhỏ) thường được thành công bởi những biến động lớn (nhỏ). Hơn nữa,
bao gồm độ trễ 1 của phương sai có điều kiện trong mô hình đã nâng cao thành công
bộ nhớ trong sự biến động.
2
1
rt
0
1
2
sai lệch đáng kể. Do đó, quá trình mô phỏng về cơ bản có vẻ không tương quan với nhau như nó vốn có.