Professional Documents
Culture Documents
Dịch 3
Dịch 3
Hình 12.13 ACF mẫu của quy trình GARCH mô phỏng (1,1)
0,10
ACF
0,00
0,10
0 5 10 15 20 25
Lỗi
Hình 12.14 PACF mẫu của quy trình GARCH mô phỏng (1,1)
0,10
0,00
phần
một
ACF
0,10
0 5 10 15 20 25
Lỗi
Các cuộc triển lãm 12.15 đến 12.18 cho thấy ACF mẫu và PACF của giá trị tuyệt đối
ues và bình phương của dữ liệu mô phỏng.
Machine Translated by Google
292 Mô hình chuỗi thời gian của phương sai thay đổi
Hình 12.15 ACF mẫu về các giá trị tuyệt đối của quy trình GARCH được mô phỏng
(1,1)
0,05
ACF
0,05
0 5 10 15 20 25
Lỗi
Hình 12.16 PACF mẫu của các giá trị tuyệt đối của quy trình GARCH được mô phỏng
(1,1)
0,10
0,05
phần
một
ACF
0,05
0 5 10 15 20 25
Lỗi
> pacf (abs (garch11.sim))
Các biểu đồ này chỉ ra sự tồn tại của các mẫu tự tương quan quan trọng trong
dữ liệu tuyệt đối và bình phương và chỉ ra rằng quá trình được mô phỏng trên thực tế là
sự phụ thuộc. Thật thú vị, độ trễ 1 tự tương quan không đáng kể trong bất kỳ
bốn mảnh đất.
Machine Translated by Google
Phụ lục 12.17 ACF mẫu của các giá trị bình phương của mô phỏng
Quy trình GARCH (1,1)
0,15
0,05
ACF
0,05
0 5 10 15 20 25
Lỗi
> acf (garch11.sim ^ 2)
Hình 12.18 PACF mẫu của các giá trị bình phương của quy trình GARCH được mô
phỏng (1,1)
0,15
0,05
phần
một
ACF
0,05
0 5 10 15 20 25
Lỗi
> pacf (garch11.sim ^ 2)
Đối với việc xác định mô hình của các đơn đặt hàng GARCH, một lần nữa sẽ có lợi khi thể hiện
mô hình cho các phương sai có điều kiện về lợi tức bình phương. Nhớ lại defi. Tương
- = 2 2
nition tự như mô hình ARCH (1), chúng ta có thể chỉ ra rằng {ηt } là một
σt ηt
| trt
1–
trình tự không tương quan nối tiếp. Hơn nữa, η không tương quan với lợi nhuận bình phương trong quá khứ.
2 2
Thay thế biểu thức vào Công thức (12.3.2) - = sẽ thu được
ηt rt
σt | t 1–
Machine Translated by Google
294 Mô hình chuỗi thời gian của phương sai thay đổi
2 2 2
= + ++
rt ω β1 (α1 )rt+ 1– (… Βmax + (),
pq ) αmax(),
rt max - pqpq (),
––– (12.3.4)
+ ηt β1ηt 1– … Βpηt p -
trong đó βk = 0 với mọi số nguyên k > p và αk = 0 với k > q. Điều này cho thấy rằng GARCH (p, q)
mô hình cho chuỗi trả về ngụ ý rằng mô hình cho lợi tức bình phương là một
Mô hình ARMA (max (p, q), p) . Do đó, chúng ta có thể áp dụng các kỹ thuật nhận dạng mô hình cho
Mô hình ARMA cho chuỗi trả về bình phương để xác định p và max (p, q). Chú ý rằng nếu q là
nhỏ hơn p, nó sẽ bị che trong nhận dạng mô hình. Trong những trường hợp như vậy, trước tiên chúng ta có thể
phù hợp với mô hình GARCH (p, p) và sau đó ước tính q bằng cách kiểm tra mức độ quan trọng của
ước tính hệ số ARCH kết quả.
Như một minh họa, Phụ lục 12.19 cho thấy EACF mẫu của các giá trị bình phương
từ chuỗi GARCH (1,1) được mô phỏng.
Hình 12.19 EACF mẫu cho Sê-ri GARCH mô phỏng bình phương (1,1)
AR / MA 0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 ooxxooxooooooo
1 xoooxoxxoooooo
2 xoooooxooooooo
3 xxxooxoooooooo
4 xxoxxooooooooo
5 xoxxoooooooooo
6 xoxxoxoooooooo
7 xxxxxx oooooooo
> eacf ((garch11.sim) ^ 2)
Mô hình trong bảng EACF không rõ ràng lắm, mặc dù mô hình ARMA (2,2)
dường như được gợi ý. Sự mờ nhạt của tín hiệu trong bảng EACF có thể do
độ biến thiên lấy mẫu lớn hơn khi chúng ta xử lý các mômen cao hơn. Shin và Kang
(2001) lập luận rằng, đối với một xấp xỉ bậc nhất, một phép biến đổi công suất bảo toàn
hàm tự tương quan lý thuyết và do đó là thứ tự của một quá trình ARMA tĩnh.
Kết quả của họ cho thấy rằng thứ tự GARCH cũng có thể được xác định bằng cách nghiên cứu
lợi nhuận tuyệt đối. Thật vậy, bảng EACF mẫu cho lợi nhuận tuyệt đối, được hiển thị trong
Hình 12.20, gợi ý một cách thuyết phục hơn về mô hình ARMA (1,1), và do đó
Mô hình GARCH (1,1) cho dữ liệu gốc, mặc dù cũng có gợi ý về GARCH (2,2)
người mẫu.
Machine Translated by Google
Hình 12.20 EACF mẫu cho Sê-ri GARCH được mô phỏng tuyệt đối (1,1)
AR / MA 0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 ooxxoo xo ooooo o
1 xoooxo oo ooooo o
2 xxoooo oo ooooo o
3 xxooox oo ooooo o
4 xxoxox oo ooooo o
5 xoxxxo oo ooooo o
6 xoxxxx oo ooooo o
7 xxxxxo xo ooooo o
Đối với dữ liệu trả về hàng ngày CREF tuyệt đối, bảng EACF mẫu được báo cáo trong
Hình 12.21, gợi ý mô hình GARCH (1,1). Bảng EACF tương ứng
Tuy nhiên, đối với lợi nhuận CREF bình phương (không được hiển thị) ít rõ ràng hơn và có thể gợi ý
Mô hình GARCH (2,2).
Hình 12.21 EACF mẫu cho lợi nhuận CREF hàng ngày tuyệt đối
AR / MA 0 1 2 3 4 5 6 7 8 9 10 11 12 13
0 oooo o o o ooxxoo o
1 xooo o o o oooooo o
2 xooo o o o oooooo o
3 xoxo o o o oooooo o
4 xoxo o o o oooooo o
5 xxxx o o o oooooo o
6 xxxx o o o oooooo o
7 xxxx o o o oooooo o
> eacf (abs (r.cref))
Hơn nữa, các ước tính tham số của mô hình ARMA được trang bị cho giá trị tuyệt đối
dữ liệu có thể mang lại ước tính ban đầu để ước tính khả năng tối đa của GARCH
người mẫu. Ví dụ, Phụ lục 12.22 báo cáo các thông số ước tính của thiết bị được trang bị
Mô hình ARMA (1,1) cho quá trình GARCH (1,1) được mô phỏng tuyệt đối.
Machine Translated by Google
296 Mô hình chuỗi thời gian của phương sai thay đổi
Hình 12.22 Ước tính Tham số với Mô hình ARMA (1,1) cho Dòng GARCH được mô phỏng tuyệt
đối (1,1)
Sử dụng công thức (12.3.4), có thể thấy rằng β được ước lượng bằng 0,9445, α được ước lượng
bằng 0,9821 - 0,9445 = 0,03763 và ω có thể được ước tính là phương sai của giá trị ban đầu
dữ liệu nhân với ước tính của 1 - α - β, bằng 0,0073. Thật ngạc nhiên, những ước tính này
hóa ra khá gần với ước tính khả năng xảy ra tối đa được báo cáo trong giây tiếp theo!
Bây giờ chúng ta suy ra điều kiện để một mô hình GARCH là đứng yên một cách yếu ớt. Giả định
tại thời điểm mà quá trình quay trở lại là tĩnh yếu. Đặt kỳ vọng vào cả hai
các vế của Phương trình (12.3.4) đưa ra một phương trình cho phương sai không điều kiện σ2
pq tối đa (),
2 2
σ + =
σ ω (12.3.5)
( βiαi ) +
tôi 1 =
để có thể
ω
2 σ = ------------------------------------------------- -
(12.3.6)
pq tối đa (),
1
- ( βiαi ) +
tôi 1 =
pq tối ,
đa () (αiβi) + <1 (12.3.7)
tôi 1 =
Điều kiện này có thể được chứng minh là cần thiết và đủ đối với tính ổn định yếu của một
Mô hình GARCH (p, q) . (Nhớ lại rằng chúng ta đã ngầm định rằng α1 ≥ 0,…, αp ≥ 0,
và β1 ≥ 0,…, βq ≥ 0.) Từ đó, chúng ta giả sử p = q để dễ ký hiệu.
Như trong trường hợp của mô hình ARCH (1), tính hữu hạn của các khoảnh khắc cao hơn của GARCH
mô hình yêu cầu các điều kiện nghiêm ngặt hơn nữa về các hệ số; gặp Ling và McAleer
(Năm 2002). Ngoài ra, phân phối tĩnh của một mô hình GARCH nói chung là đồng đều
nếu những đổi mới là bình thường.
2
σt hlặp ,lại
Về dự báo phương sai có điều kiện h-step-front, chúng ta có thể
+ | t các đối số được sử dụng trong phần trước để suy ra công thức đệ quy cho h > p
2 P 2
(ω + = αi βi ) σ +
h σt
+ | t thi (12.3.8)
- + | t
tôi 1 =
Nói chung, đối với h ≥ 1 tùy ý, công thức phức tạp hơn, như
Machine Translated by Google
2 P 2 P 2
+ βi σ ^thi (12.3.9)
σt h + | t ω + = αi σthi - + | t ++ - | thi 1––
tôi 1 = tôi 1 =
ở đâu
2
= 2 cho h <0 (12.3.10)
σt h + | t rt h +
và
2
cho hi - 1 - 0>
= σthi - + | t
2
σ ^
thi ++ - | thi 1–– (12.3.11)
2
nếu không thì
σthi + + - | thi 1––
Việc tính toán các phương sai có điều kiện có thể được minh họa tốt nhất bằng cách sử dụng
Giá trị này có thể được đặt thành phương sai không điều kiện đứng yên σ2 = ω / (1 - α1 - β1) trong
2
2 giả định cố định hoặc đơn giản là. Sau đó, chúng ta có thể tính toán theo for r1
σt | t 1–
mula xác định mô hình GARCH. Thật thú vị khi quan sát điều đó
2 2 2 2
= + α1rt 1–+ (12.3.13)
σt | t 1–
(1 σα1––
β1 ) β1σt 1 | t 2––
để ước tính mức độ biến động có điều kiện trước một bước là giá trị trung bình có trọng số
phương sai dài hạn, lợi tức bình phương hiện tại và ước tính hiện tại của độ biến
động điều kiện. Hơn nữa, biểu diễn MA (∞) của phương sai có điều kiện ngụ ý
cái đó
2 2 2 2 2 3 …
2 +σ = (α1β1rt
rt 1– 2–
) +++ + σt | t β1
1–rt 3– r2 β1 t 4– (12.3.14)
một đường trung bình động vô hạn của lợi nhuận bình phương trong quá khứ. Công thức cho thấy bình phương
lợi nhuận trong quá khứ xa xôi nhận được trọng lượng giảm dần theo cấp số nhân. Ngược lại, đơn giản
trung bình động của lợi nhuận bình phương đôi khi được sử dụng để ước tính
phương sai. Tuy nhiên, những điều này chịu sự sai lệch lớn hơn nhiều.
Nếu α1 + β1 = 1, thì mô hình GARCH (1,1) là không tĩnh và thay vào đó được gọi là
Mô hình IGARCH (1,1) với chữ cái I là viết tắt của tích hợp. Trong trường hợp như vậy, chúng tôi sẽ
2 2 2 2 ++ + 2 …
= + ), (12.3.15)
σt | t 1–
()β (1
rt -1– βrt 2– β2 rt 3– β3 rt 4–
trung bình có trọng số theo cấp số nhân của lợi nhuận bình phương trong quá khứ. Đo lường rủi ro nổi tiếng
phần mềm trong lĩnh vực tài chính sử dụng mô hình IGARCH (1,1) với β = 0,94 để ước tính
phương sai số; xem Andersen và cộng sự. (Năm 2006).
Machine Translated by Google
298 Mô hình chuỗi thời gian của phương sai thay đổi
Hàm khả năng xảy ra của một mô hình GARCH có thể dễ dàng bắt nguồn cho trường hợp
không có đổi mới. Chúng tôi minh họa phép tính cho trường hợp GARCH tĩnh (1,1)
người mẫu. Mở rộng cho trường hợp chung là đơn giản. Cho các tham số ω, α và
β, các phương sai có điều kiện có thể được tính toán đệ quy bằng công thức
2 2 2
= + + βσt 1 | t 2–– (12.4.1)
σt | t 1– ω αrt 1–
2
với t ≥ 2, với giá trị ban đầu, được 0 , theo giả thiết đứng yên là phương sai không điều
σ1 | đặt
1 2
= --------------------------
( f rt | rt ,1– …
, r1 )
2
exp [)
] 2- rt⁄ ( | t 1–
2σt (12.4.2)
2πσt | t 1–
và pdf chung
=
f (rn, … r1 (,) f rn 1– …, r1 ,) f()rn | rn 1– ,… r1
, (12.4.3)
Lặp lại công thức cuối cùng này và ghi nhật ký sẽ cung cấp công thức sau cho hàm mui
xe log-likeli:
N
2 2 2
N
- -1
L (ωαβ,), (= π
- -
log
2 2)
2
)
(log σt 1 | t 2–– + rt
⁄ σt | t 1– (12.4.4)
tôi 1 =
Không có giải pháp dạng đóng nào cho các công cụ ước lượng khả năng xảy ra tối đa của ω, α và β,
nhưng chúng có thể được tính toán bằng cách tối đa hóa hàm khả năng đăng nhập bằng số. Các
các công cụ ước tính khả năng xảy ra tối đa có thể được chứng minh là được phân phối gần đúng bình thường
với các giá trị tham số true làm giá trị của chúng. Các hiệp phương sai của chúng có thể được thu thập thành
θ = α (12.4.5)
là véc tơ của các tham số. Viết thành phần thứ i của θ dưới dạng θi sao cho θ1 = ω, θ2 = α,
và θ3 = β. Các phần tử đường chéo của Λ là phương sai gần đúng của các công cụ ước lượng,
trong khi các phần tử nằm ngoài đường chéo là hiệp phương sai gần đúng của chúng. Vì vậy, đường chéo đầu tiên
phần tử onal của Λ là phương sai gần đúng của hiệp ω ^, phần tử thứ (1,2) của Λ là
, phácta
phương sai gần đúng giữa và v.v. Bây giờ chúng thảo tổng thể của Λ. Độc giả không
ω ^ α ^
quan tâm đến các chi tiết toán học có thể bỏ qua phần còn lại của phần này
đoạn văn. Ma trận 3 × 3 Λ xấp xỉ bằng ma trận nghịch đảo của 3 × 3
ma trận có phần tử thứ (i, j) bằng
Machine Translated by Google
2 2
-1
N
1
σt | t 1– σt | t 1–
--------------- ----------------- -----------------
(12.4.6)
2 4
t 1 = θi θj
σt | t 1–
Các đạo hàm riêng trong biểu thức này có thể thu được một cách đệ quy bằng cách phân biệt
Phương trình (12.4.1). Ví dụ, phân biệt cả hai vế của Phương trình (12.4.1) với
đối với ω tạo ra công thức đệ quy
2 2
σt | t 1– σt 1 | t 2––
1 β (12.4.7)
-----------------
+ = -------------------------
ω ω
Các đạo hàm riêng khác có thể được tính tương tự.
Nhớ lại rằng, trong phần trước, chuỗi GARCH (1,1) mô phỏng đã được xác định
là mô hình GARCH (1,1) hoặc mô hình GARCH (2,2). Mô hình phù hợp của
Mô hình GARCH (2,2) được báo cáo trong Hình 12.23, trong đó ước tính của ω được biểu thị bằng
a0, của α1 đối với a1, của β1 đối với b1, v.v. Lưu ý rằng không có hệ số nào là
đáng kể, mặc dù a2 gần là đáng kể. Mô hình phù hợp với GARCH (1,1)
mô hình được đưa ra trong Phụ lục 12.24.
Phụ lục 12.23 Ước tính cho GARCH (2,2) Mô hình mô phỏng
Dòng GARCH (1,1)
Hệ số Ước tính Std. Lỗi giá trị t Pr (> | t |)
Phụ lục 12.24 Ước tính cho GARCH (1,1) Mô hình mô phỏng
Dòng GARCH (1,1)
Hệ số Ước tính Std. Lỗi giá trị t Pr (> | t |)
300 Mô hình chuỗi thời gian của phương sai thay đổi
Bây giờ tất cả các ước lượng hệ số (ngoại trừ a0) đều có ý nghĩa. AIC của trang bị
Kiểu GARCH (2,2) là 961.0, trong khi của kiểu GARCH (1,1) được trang bị là 958.0 và
do đó mô hình GARCH (1,1) cung cấp sự phù hợp hơn với dữ liệu. (Ở đây, AIC được định nghĩa là
trừ hai lần khả năng đăng nhập của mô hình được trang bị cộng với hai lần số lượng tham số. Như
trong trường hợp của các mô hình ARIMA, AIC nhỏ hơn được ưu tiên hơn.) Độ tin cậy 95%
khoảng thời gian cho một tham số được đưa ra (gần đúng) bởi ước tính ± 1,96 nhân với sai số
stan dard của nó. Vì vậy, khoảng tin cậy gần đúng 95% cho ω bằng ( 0,0073, 0,022),
của α1 bằng (0,00345, 0,0909) và của β1 bằng (0,865,1,01). Tất cả đều chứa
giá trị thực của chúng tương ứng là 0,02, 0,05 và 0,9. Lưu ý rằng lỗi tiêu chuẩn của b1 là
0,0358. Vì sai số tiêu chuẩn xấp xỉ tỷ lệ với 1 ⁄ n , tiêu chuẩn
sai số b1 được kỳ vọng là khoảng 0,0566 (0,0462) nếu cỡ mẫu n là 200 (300).
Thật vậy, khi điều chỉnh mô hình GARCH (1,1) với 200 dữ liệu mô phỏng đầu tiên, b1 được tìm thấy
bằng 0,0603 với sai số tiêu chuẩn bằng 50,39! Khi kích thước mẫu được tăng lên
300, b1 trở thành 0,935 với sai số tiêu chuẩn bằng 0,0449. Ví dụ này minh họa điều đó
việc lắp mô hình GARCH thường yêu cầu cỡ mẫu lớn để phân phối sam pling lý thuyết có giá trị và
hữu ích; xem Shephard (1996, p. 10) để biết thêm về vấn đề liên quan.
Đối với dữ liệu trả về CREF, trước đó chúng tôi đã xác định GARCH (1,1) hoặc
Mô hình GARCH (2,2). AIC của mô hình GARCH (1,1) được trang bị là 969,6, trong khi đó
của mô hình GARCH (2,2) là 970,3. Do đó, mô hình GARCH (1,1) cung cấp đồng minh ký quỹ phù hợp
hơn với dữ liệu. Ước tính khả năng tối đa của GARCH được trang bị (1,1)
mô hình được báo cáo trong Phụ lục 12.25.
Hình 12.25 Ước tính khả năng xảy ra tối đa của Mô hình GARCH (1,1) cho lợi nhuận từ kho CREF
† Như đã nhận xét trước đó, việc phân tích phụ thuộc vào thang đo. Nói
cách khác, mô hình GARCH (1,1) dựa trên lợi nhuận từ kho CREF thô
ước tính a0 = 0,00000511, a1 = 0,0941 và b1 = 0,789.
Lưu ý rằng phương sai dài hạn của mô hình GARCH (1,1) được ước tính là
^
ω ⁄ ^()1 –– = (12.4.8)
α ^ =
β 0,01633 1 0,04414 0,91704–– ⁄ () 0,4206
chuỗi thời gian dường như có những đổi mới bất thường. Tuy nhiên, chúng ta có thể tiến tới esti
Machine Translated by Google
kết hợp với mô hình GARCH bằng cách giả vờ rằng những đổi mới là bình thường. Kết quả
hàm khả năng được gọi là khả năng Gaussian và các công cụ ước tính tối đa hóa
Khả năng Gaussian được gọi là công cụ ước tính khả năng gần như tối đa (QMLE). Nó
có thể được chỉ ra rằng, trong một số điều kiện thường xuyên nhẹ, bao gồm cả sự ổn định,
các công cụ ước tính khả năng gần như tối đa là xấp xỉ bình thường, tập trung vào giá trị đúng
giá trị tham số và ma trận hiệp phương sai của chúng bằng [() κ 2+ ⁄ 2 ] Λ ,đâu κ là
(dư thừa) kurtosis của các đổi mới và Λ là ma trận hiệp phương sai giả sử các tions innova được
phân phối bình thường — hãy xem thảo luận ở trên cho trường hợp thông thường. Lưu ý rằng
sự dày đặc của những đổi mới sẽ làm tăng cường ma trận hiệp phương sai và do đó
dẫn đến các ước tính tham số kém tin cậy hơn. Trong trường hợp các đổi mới được coi là
không bình thường, kết quả này gợi ý một cách đơn giản để điều chỉnh các lỗi tiêu chuẩn của
ước tính khả năng gần như tối đa bằng cách nhân các sai số chuẩn của Gaussian
ước tính khả năng xảy ra từ một thói quen giả định những đổi mới bình thường bằng () κ 2+ ⁄ 2 ,
cách κ có thể được thay thế bằng kurtosis mẫu của các phần dư được tiêu chuẩn hóa mà
được định nghĩa dưới đây. Cần lưu ý rằng một nhược điểm của QMLE là AIC là
^
ε = ⁄ (12.4,9)
t rt σ ^
t | t 1–
Phần dư tiêu chuẩn hóa từ mô hình được trang bị là proxy cho các cải tiến và có thể
được kiểm tra để đưa ra ánh sáng về hình thức phân phối của các đổi mới. Khi một phân phối (được
tham số hóa) cho các đổi mới được chỉ định, ví dụ: phân phối t,
chức năng khả năng tương ứng có thể được bắt nguồn và tối ưu hóa để đạt được mức tối đa
các nhà ước lượng khả năng xảy ra; xem Tsay (2005) để biết thêm chi tiết. Giá của việc không xác định chính xác
hình thức phân phối của đổi mới làm mất hiệu quả ước tính, mặc dù,
với bộ dữ liệu lớn, sự tiện lợi trong tính toán của phương pháp tiếp cận khả năng Gaussian
Trước khi chúng tôi chấp nhận một mô hình được trang bị và giải thích những phát hiện của nó, điều cần thiết là phải kiểm tra
liệu mô hình có được chỉ định chính xác hay không, tức là liệu các giả định của mô hình có
được hỗ trợ bởi dữ liệu. Nếu một số giả định chính của mô hình dường như bị vi phạm, thì
mô hình nên được chỉ định; được trang bị và kiểm tra lại cho đến khi tìm thấy một mô hình cung cấp
phù hợp với dữ liệu. Nhớ lại rằng các phần dư chuẩn hóa được định nghĩa là
^
ε = ⁄ (12.5.1)
t rt σ ^
t | t 1–
được phân phối gần như độc lập và giống hệt nhau nếu mô hình được chỉ định trực tiếp. Như trong
trường hợp chẩn đoán mô hình cho các mô hình ARIMA, phần dư ized tiêu chuẩn rất hữu ích để kiểm
Giả định về những đổi mới có thể được khám phá bằng cách vẽ sơ đồ điểm số bình thường QQ.
Sự sai lệch so với mô hình đường thẳng trong âm mưu QQ cung cấp bằng chứng chống lại sự bình thường
và có thể cung cấp manh mối về hình thức phân phối của các đổi mới. Shapiro-Wilk
Machine Translated by Google
302 Mô hình chuỗi thời gian của phương sai thay đổi
thử nghiệm và thử nghiệm Jarque-Bera rất hữu ích để kiểm tra chính thức tính bình thường của các tions
innova. †
Đối với mô hình GARCH (1,1) được trang bị cho quá trình GARCH (1,1) được mô phỏng, độ
lệch và kurtosis của các phần dư chuẩn hóa bằng 0,0882 và 0,104,
tương ứng. Hơn nữa, cả thử nghiệm Shapiro-Wilk và thử nghiệm Jarque-Bera đều cho thấy rằng
các phần dư được tiêu chuẩn hóa là bình thường.
Đối với mô hình GARCH (1,1) được trang bị cho dữ liệu trả về CREF, các alu dư chuẩn
được vẽ trong Phụ lục 12.26. Có một số xu hướng cho phần dư sẽ lớn hơn trong
độ lớn vào cuối giai đoạn nghiên cứu, có lẽ cho thấy rằng có một số
mô hình còn lại trong sự biến động. Biểu đồ QQ của phần dư tiêu chuẩn được hiển thị trong
Hình 12.27. Cốt truyện QQ cho thấy một mô hình phần lớn là đường thẳng. Độ lệch và
kurtosis của phần dư chuẩn hóa lần lượt là 0,0341 và 0,205. Giá trị p của
phép thử Jarque-Bera bằng 0,58 và phép thử Shapiro-Wilk bằng 0,34. Vì thế
giả định tính chuẩn mực không thể bị bác bỏ.
Hình 12.26 Phần dư được tiêu chuẩn hóa từ Mô hình trả về CREF hàng ngày được trang bị
GARCH (1,1)
31
2
1
0
chuẩn
tiêu
được
Phần
hóa
dư
Thời gian
> plot (phần dư (m1), type = 'h', ylab = 'Phần dư chuẩn hóa')
† Chen và Kuan (2006) đã chỉ ra rằng phép thử Jarque-Bera với phần dư từ một
Mô hình GARCH không còn được phân phối xấp xỉ chi bình phương theo giả thuyết rỗng
của những đổi mới bình thường. Kết quả mô phỏng của họ cho thấy rằng, trong những trường hợp như vậy, Jarque-Bera
kiểm tra có xu hướng tự do; nghĩa là, nó bác bỏ giả thuyết chuẩn tắc thường xuyên hơn mức ý
nghĩa cuối cùng của nó. Các tác giả đã đề xuất một sửa đổi của bài kiểm tra Jarque-Bera
mà vẫn giữ nguyên phân phối rỗng chi bình phương một cách xấp xỉ. Tương tự, có thể mong đợi rằng
thử nghiệm Shapiro-Wilk có thể yêu cầu sửa đổi khi nó được áp dụng cho phần dư từ
Mô hình GARCH, mặc dù vấn đề có vẻ mở.
Machine Translated by Google
Hình 12.27 Điểm bình thường QQ Lô đất của phần dư được tiêu chuẩn hóa từ
Được trang bị GARCH (1,1) Mô hình lợi nhuận CREF hàng ngày
• •• •
•
•
•••
• • •
• • •
• •• ••
• •••
• •
•••••••••••••
••••••••••••••••
• ••••••••••••••••
••••• •• •• •• •• •
••• ••• ••• ••• ••• •••
••••••••••••••••••••••••••
•••• ••
••
••
••••••
••
•••••••
••
•••••••
••
••••(••
••
•••••••
••
•••••••
••
•••••••
••
•••
••
••
••••••••
•••
•••••
••• ••• •
••••••••••••••••••
••• •••
•••••
••
•••
••••• ••
••••• •••
•••••••••••••••••••••••••••••••••
••
•••)
•••••••••• •••• •(• ••• •• • ••
••
•ot••
•••
•
• •
oog
•• •••
•••
••••
31
2
1
0
••
••• ••
••••
••••
•• •
••
••••
•••••• •••
•••••••••••••
••
•••• •••• •••• ••••
••
••• ••• ••• •••
• •• ••
• •• "•
• ••••• ••••
• ••••
•••
••
Lượng
mẫu
tử •
••
•••••••
••••• ••••••• ••••••
••••••
•
••••••••••••••••••••••••••••••••••••••
••
••••• ••••• ••••• ••••• ••••• ••••• ••••• •
•••••••••••••(••••••••••••••••••••••••••••••••••••
••••••••••••••••••••••••••••••••••••••••••••••••••••••••
• • • • • • "
••
••
•
3
3 2 1 0 1 2 3
Lượng tử lý thuyết
^
Nếu mô hình GARCH được chỉ định chính xác, thì các phần dư chuẩn hóa {} phải ε
t
gần với phân phối độc lập và giống hệt nhau. Giả định được phân phối độc lập và
giống hệt nhau của các đổi mới có thể được kiểm tra bằng cách kiểm tra acf mẫu của
chúng. Nhớ lại rằng thống kê portmanteau bằng
m
2
n k 1 ρ ^
= k
trong đó là
ρ ^ tự tương quan lag k của các phần dư chuẩn hóa và n là cỡ mẫu. (Nhớ lại rằng thống kê tương tự còn
k
được gọi là thống kê Box-Pierce và, trong một phiên bản sửa đổi, thống kê Ljung-Box.) Hơn nữa, có thể chỉ ra rằng
thống kê thử nghiệm được phân phối xấp xỉ χ2 với m bậc tự do dưới giả thuyết vô hiệu rằng mô hình được chỉ định
chính xác. Kết quả này dựa trên thực tế là các tự tương quan mẫu của các độ trễ khác nhau từ một trình tự được
phân phối độc lập và giống hệt nhau là gần như độc lập và được phân phối chuẩn với giá trị trung bình bằng 0 và
phương sai 1 / n, và kết quả này cũng xấp xỉ đối với các giá trị autocorrela mẫu của tiêu chuẩn chuẩn hóa phần
dư nếu dữ liệu thực sự được tạo bởi mô hình GARCH có cùng thứ tự với dữ liệu của mô hình được trang bị. Tuy
nhiên, thử nghiệm portmanteau không có sức mạnh mạnh mẽ chống lại những đổi mới không liên quan và phụ thuộc
theo thứ tự. Trên thực tế, chúng tôi bắt đầu với giả định rằng dữ liệu trả về là không tương quan, vì vậy việc
Các phép thử hữu ích hơn có thể được tạo ra bằng cách nghiên cứu cấu trúc tự tương quan của các phần dư
chuẩn hóa tuyệt đối hoặc các phần dư chuẩn hóa bình phương. Đặt tương quan tự động trễ k của phần dư chuẩn hóa
tuyệt đối được ký hiệu bằng và của k, 1 phần dư chuẩn hóa bình phương với m bậc tự do cho
ρ ^
ρ thống
^ (tương
kê portmanteau
ứng dựa trên
304 Mô hình chuỗi thời gian của phương sai thay đổi
ters gây ra một hiệu ứng không đáng kể đối với các bài kiểm tra. Li và Mak (1994) cho thấy rằng χ2
phân phối gần đúng có thể được bảo toàn bằng cách thay thế tổng các tions autocorrela bình phương
bằng một dạng bậc hai trong tự tương quan; xem thêm Li (2003). Đối với tuyệt đối
phần dư chuẩn hóa, thống kê thử nghiệm có dạng
m m
N ρ ^ 1ρ ^ (12.5.2)
qi tôi, j, 1
j , i 1j
= 1 =
Chúng tôi sẽ gọi thống kê thử nghiệm đã sửa đổi này là thống kê thử nghiệm portmanteau tổng quát.
Bao giờ hết, q phụ thuộc vào m, số độ trễ và chúng đặc trưng cho phần bên dưới
đúng mô hình và do đó phải được ước tính từ dữ liệu. Đối với phần dư bình phương, q's
nhận các giá trị khác nhau. Xem Phụ lục I trên trang 318 để biết các công thức của q.
Chúng tôi minh họa thử nghiệm portmanteau tổng quát với dữ liệu CREF. Hình 12.28,
vẽ đồ thị ACF mẫu của các phần dư chuẩn hóa bình phương từ GARCH được trang bị (1,1)
người mẫu. Các giới hạn tới hạn (riêng lẻ) trong hình dựa trên biến thể danh nghĩa 1 / n theo
giả định dữ liệu được phân phối độc lập và giống hệt nhau. Như đã đề cập ở trên, giá trị danh
nghĩa này có thể rất khác với phương sai thực tế của
tự tương quan của các phần dư bình phương ngay cả khi mô hình được chỉ định chính xác.
Hình 12.28 ACF mẫu của phần dư được chuẩn hóa bình phương từ Mô hình GARCH (1,1) của lợi
ACF
0,05
0,05
0,00
0 5 10 15 20 25
Lỗi
Phụ lục 12.29 hiển thị các giá trị p của các bài kiểm tra tổng quát cổng kết hợp với
phần dư chuẩn hóa bình phương từ mô hình GARCH (1,1) được trang bị của dữ liệu CREF cho
m = 1 đến 20. Tất cả các giá trị p đều cao hơn 5%, cho thấy phần dư bình phương là
không tương quan theo thời gian, và do đó các phần dư được tiêu chuẩn hóa có thể độc lập.
Machine Translated by Google
Phụ lục 12.29 Giá trị p-Giá trị p-Kiểm tra Portmanteau Tổng quát cho Phần dư chuẩn hóa
Bình phương cho Mô hình GARCH (1,1) của Kết quả trả về CREF hàng ngày
•
trị
Giá
P
• •
• • • •
• • • • • • •
1,0
0,8
0,6
0,4
0,2
0,0
• • • •
•
•
5 10 15 20
Lỗi
Chúng tôi đã lặp đi lặp lại việc kiểm tra mô hình bằng cách sử dụng các phần dư được tiêu chuẩn hóa tuyệt đối — xem
Vật chứng 12,30 và 12,31. Tự tương quan trễ 2 của các phần dư tuyệt đối là không đáng kể theo
các giới hạn tới hạn danh nghĩa được chỉ ra. Hơn nữa, các thử nghiệm manteau cổng tổng quát là
có ý nghĩa khi m = 2 và 3 và không đáng kể ở mức m = 4.
Bảng EACF mẫu (không được hiển thị) về các phần dư được tiêu chuẩn hóa tuyệt đối cho thấy một
Mô hình AR (2) cho phần dư tuyệt đối và do đó chỉ ra khả năng CREF
lợi nhuận có thể được xác định là một quá trình GARCH (1,2). Tuy nhiên, GARCH được trang bị (1,2)
mô hình cho dữ liệu CREF không cải thiện sự phù hợp, vì AIC của nó là 978,2 — cao hơn nhiều
so với 969,6, của mô hình GARCH (1,1). Do đó, chúng tôi kết luận rằng trang bị
306 Mô hình chuỗi thời gian của phương sai thay đổi
Phụ lục 12.30 ACF mẫu của phần dư được tiêu chuẩn hóa tuyệt đối từ
mô hình GARCH (1,1) cho lợi nhuận CREF hàng ngày
0,05
0,00
ACF
0,10
0 5 10 15 20 25
Lỗi
Phụ lục 12.31 Kiểm tra Portmanteau tổng quát giá trị p cho phần dư được tiêu chuẩn hóa
tuyệt đối cho mô hình GARCH (1,1) của lợi nhuận CREF hàng ngày
•
trị
Giá
P
• • • • • •
• • • •
• •
• •
• •
1,0
0,8
0,6
0,4
0,2
0,0
• • •
5 10 15 20
Lỗi
Do mô hình GARCH (1,1) phù hợp tốt với dữ liệu CREF, chúng tôi có thể
sử dụng nó để dự báo các phương sai có điều kiện trong tương lai. Hình 12.32 cho thấy các ước
lượng trong phạm vi sam sung của các phương sai có điều kiện, ghi lại một số giai đoạn có độ
bay hơi cao, đặc biệt là giai đoạn ở cuối giai đoạn nghiên cứu. Tại thời điểm cuối cùng, bình phương
return bằng 2,159 và phương sai có điều kiện được ước tính là 0,4411. Những giá trị
kết hợp với các Công thức (12.3.8) và (12.3.9) có thể được sử dụng để tính toán các dự báo về
các phương sai có điều kiện trong tương lai. Ví dụ: dự báo trước một bước về phương sai điều
chỉnh bằng 0,01633 + 0,04414 * 2,159 + 0,91704 * 0,4411 = 0,5161. Các
dự báo hai bước của phương sai có điều kiện bằng 0,01633 + 0,04414 * 0,5161 +
Machine Translated by Google
12.6 Điều kiện cho tính không sai của các phương sai có điều kiện 307
0,91704 * 0,5161 = 0,5124, v.v., với dự báo khách hàng tiềm năng dài hơn cuối cùng
gần đến 0,42066, phương sai dài hạn của mô hình. Các phương sai có điều kiện
có thể hữu ích để định giá tài sản tài chính thông qua công thức Black-Scholes và định
lượng giá trị bị rủi ro (VaR); xem Tsay (2005) và Andersen et al. (Năm 2006).
Điều thú vị cần lưu ý là nhu cầu kết hợp ARCH trong dữ liệu cũng
được hỗ trợ bởi thử nghiệm McLeod-Li áp dụng cho phần dư của mô hình AR (1) + ngoại lệ;
xem Phụ lục (12.9), trang 283.
Hình 12.32 Phương sai điều kiện ước tính của lợi nhuận CREF hàng ngày
0,9
0,7
0,5
Phương
kiện
điều
sai
có
0,3
> plot ((fit (m1) [, 1]) ^ 2, type = 'l', ylab = 'Conditional Variance',
xlab = 't')
2
Bởi vì phương sai có điều kiện phải không âm, các tham số GARCH
σt | t 1–
thường bị hạn chế là không âm. Tuy nhiên, thông số không độ âm không cần thiết đối
với tính không âm của các phương sai có điều kiện. Đây
vấn đề lần đầu tiên được khám phá bởi Nelson và Cao (1992) và gần đây là Tsai và Chan
(Năm 2006). Để hiểu rõ hơn vấn đề, trước tiên hãy xem xét trường hợp của mô hình ARCH (q).
Sau đó, phương sai có điều kiện được cho bởi công thức
2 2 2 2
= + + ++ (12.6.1)
σt | t 1– ω α1rt 1– α2rt 2– … Αqrt q -
Giả sử rằng q trả về liên tiếp có thể nhận trên bất kỳ tập hợp số thực tùy ý nào. Nếu một
2 2
của α là âm, giả sử α1 <0, sau đó là đủ sẽ âm nếu σt | t 1– rt 1–
lớn và các r khác đủ gần bằng không. Do đó, rõ ràng là tất cả các α phải
không âm cho các phương sai có điều kiện là không âm. Tương tự, bằng cách cho phép
trả về gần bằng 0, có thể thấy rằng ω phải không âm - nếu không thì phương sai số có
thể trở thành âm. Do đó, rõ ràng là đối với mô hình ARCH,
Machine Translated by Google
308 Mô hình chuỗi thời gian của phương sai thay đổi
không phủ định của tất cả các hệ số ARCH là cần thiết và đủ cho điều kiện
2
phương sai luôn luôn không âm.
σt | t 1–
Bài toán tương ứng cho mô hình GARCH (p, q) có thể được nghiên cứu bằng cách biểu diễn
mô hình GARCH dưới dạng mô hình ARCH thứ tự vô hạn. Quá trình phương sai có điều kiện
2
{} là một mô hình ARMA (p, q) với lợi nhuận bình phương đóng vai trò của nhiễu
σt | t 1–
quá trình. Nhớ lại rằng mô hình ARMA (p, q) có thể được biểu diễn dưới dạng mô hình MA (∞) nếu tất cả
các gốc của đa thức đặc trưng AR nằm ngoài vòng tròn đơn vị. Do đó, giả sử rằng tất
P
cả các gốc của phương sai có điều kiện 1 - β1x - =β2x2
0 có
-… độ lớnđều
- βpx lớn hơn
thỏa mãn1,phương
trình
2 2 2
= +++ … (12.6.2)
σt | t 1– ω * ψ1rt 1– ψ2rt 2–
ở đâu
P
ω * ω 1 = ⁄ - βi
(12.6.3)
tôi 1 =
Tương tự, nó có thể được chỉ ra rằng các phương sai có điều kiện đều không âm nếu và
chỉ khi ω * và ψj ≥ 0 với mọi số nguyên j ≥ 1. Các hệ số trong biểu diễn ARCH
(∞) liên quan đến các tham số của mô hình GARCH thông qua đẳng thức
+ +
= 2 + …
α1B … αqBq
+
-------------------------------------------------- (12.6.4)
Nếu p = 1, thì có thể dễ dàng kiểm tra rằng ψk = β1ψk - 1 với k > q. Do đó, ψj ≥ 0 cho
tất cả j ≥ 1 nếu và chỉ khi β1 ≥ 0 và ψ1 ≥ 0,…, ψq ≥ 0. Đối với thứ tự GARCH cao hơn, tình
huống phức tạp hơn. Gọi λj , 1 ≤ j ≤ p, là nghiệm nguyên của phương trình đặc trưng
- p 0 –– =
1 β1x … βpx (12.6.5)
Không mất tính tổng quát, chúng ta có thể và từ đó sẽ giả định quy ước rằng
| λ1Λp| ≤| ≤≤
λ2 || … | (12,6,6)
_
Cho tôi 1– và
= biểu
λ thị liên hợp phức tạp của λ, B (x) = 1 - β1x -… - βpxp ,
và B (1) là đạo hàm cấp một của B. Khi đó ta có kết quả sau.
Kết quả 1: Xem xét mô hình GARCH (p, q) trong đó p ≥ 2. Giả sử A1, rằng tất cả các gốc của
phương trình
2 P
- 0 ––– =
1 β1x β2x (12.6.7)
… Βpx
có độ lớn lớn hơn 1 và A2, không có căn nào trong số này thỏa mãn phương trình
q ++ 0 = (12,6,8)
α1x … αqx
12.6 Điều kiện cho tính không sai của các phương sai có điều kiện 309
(b) Giả sử các gốc λ1,…, λp là phân biệt, và | λ1 | < | λ2 |, thì các điều kiện
được đưa ra trong Công thức (12.6.9) là cần thiết và đủ để ψk ≥ 0 với mọi số dương
số nguyên k:
λ1 là thực và λ1 > 1
α λ1 ()> 0 (12,6,9)
= 1 , ...,k
ψk ≥ 0 với k
*
) p 1– r
* r1 log () - log [(]
,
-------------------------------------------------- --------
= α λj ()
- -------------------,
fhoặc 1 ≤ ≤j p và r * max = () (12,6.10)
rj
B () rj 2 ≤ ≤jp
1 λj ()
Với p = 2, k * được xác định trong Kết quả 1 có thể được chỉ ra là q + 1; xem Định lý 2 của Nelson
và Cao (1992). Nếu k * được xác định trong Công thức (12.6.10) là một số âm, thì nó
có thể thấy từ chứng minh được đưa ra trong Tsai và Chan (2006) rằng ψk ≥ 0 với mọi k dương .
Tsai và Chan (2006) cũng đã rút ra một số điều kiện dễ kiểm chứng hơn cho
các phương sai có điều kiện luôn luôn không âm.
Kết quả 2: Cho các giả thiết của Kết quả 1 được thỏa mãn. Sau đó, giữ sau:
(a) Đối với mô hình GARCH (p, 1) , nếu λj là thực và λj > 1, với j = 1, ..., p và α1 ≥ 0,
thì ψk ≥ 0 với mọi số nguyên dương k.
(b) Đối với mô hình GARCH (p, 1) , nếu ψk ≥ 0 với mọi số nguyên dương k, thì α1 ≥ 0,
P
1– ≥ 0 , λ1 là thực và λ1 > 1.
λj
j 1 =
(c) Đối với mô hình GARCH (3,1), ψk ≥ 0 với mọi số nguyên dương k khi và chỉ khi α1
≥ 0 và một trong các trường hợp sau được giữ nguyên:
1– 1– λ2 1–
++ 0 ≥ .
Trường hợp 1. Tất cả các λj là số thực, λ1 > 1 và λ1 λ3
_ tôi
== = a bi +
Trường hợp 2. λ1 > 1 và λ2 , trong đó a và b là số thực
λ 3 | λ2 | e
Trường hợp 2.2. θ {2π / r | r = 3, 4, ...}, và | λ2 | / λ1 ≥ x0 > 1, trong đó x0 là số thực lớn nhất
với n là số nguyên dương nhỏ nhất sao cho sin ((n + 1) θ) <0 và sin ((n + 2) θ)
> 0.
Machine Translated by Google
310 Mô hình chuỗi thời gian của phương sai thay đổi
_ tôi
(e) Đối với mô hình GARCH (4,1), nếu các λj là thực với 1 ≤ j ≤ 4, thì cần
và điều kiện đủ cho {ψi } i 0 = ∞ không âm là α1 ≥ 0,
1– 1– 1– 1–
λ1 +++
λ2 0 ≥ λ3 λ4 , và λ1 > 1.
Lưu ý rằng x0 là căn thực duy nhất của phương trình (12.6.11) lớn hơn hoặc bằng 1.
Ngoài ra, Tsai và Chan (2006) đã chứng minh rằng nếu hệ số ARCH (α) của a
Mô hình GARCH (p, q) đều không âm, mô hình có các biến thể có điều kiện không âm nếu
thuộc tính không âm giữ cho các mô hình GARCH (p, 1) được liên kết với
hệ số α1 không âm .
Mô hình GARCH có thể được khái quát theo một số hướng. Đầu tiên, mô hình GARCH
giả định rằng giá trị trung bình có điều kiện của chuỗi thời gian bằng 0. Ngay cả đối với thời gian tài chính
hàng loạt, giả định mạnh mẽ này không cần phải luôn luôn đúng. Trong trường hợp tổng quát hơn,
cấu trúc trung bình theo tầng có thể được mô hình hóa bởi một số mô hình ARMA (u, v) , với nhiễu trắng
thuật ngữ của mô hình ARMA được mô hình hóa bởi một số mô hình GARCH (p, q). Cụ thể, hãy {Yt }
là một chuỗi thời gian cho trước (bây giờ chúng ta chuyển sang sử dụng ký hiệu Yt để biểu thị một
chuỗi thời gian)
=
Yt φ1Yt 1– + + ++ +u +
… ΦuYt - θ0 et θ1et 1– … Θvet v -
et
=
σt | t 1– εt (12.7.1)
2 2 2 2 2
= +ω ++ + 1–
α1et ++ …
σt | t 1– … Αqet q - β1σt 1 | t 2–– Βpσt p | t p 1 –––
và nơi chúng tôi đã sử dụng quy ước cộng trong các phần MA của mô hình. ARMA
đơn đặt hàng có thể được xác định dựa trên chuỗi thời gian {Yt }, trong khi đơn đặt hàng GARCH có thể
được xác định dựa trên phần dư bình phương từ mô hình ARMA được trang bị. Một khi
đơn đặt hàng được xác định, ước tính khả năng tối đa đầy đủ cho ARMA + GARCH
mô hình có thể được thực hiện bằng cách tối đa hóa hàm khả năng như được định nghĩa trong Công thức
(12.4.4) trên trang 298 nhưng với rt ở đó được thay thế bằng et được tính đệ quy
theo Công thức (12.7.1). Các công cụ ước tính khả năng xảy ra tối đa của ARMA
các tham số gần như độc lập với các đối tác GARCH của chúng nếu các lượng innova
εt có phân phối đối xứng (ví dụ, phân phối chuẩn hoặc t) và
sai số tiêu chuẩn được đưa ra gần đúng bởi những sai số trong trường hợp ARMA thuần túy. Tương tự như vậy,
Bộ ước lượng tham số GARCH tận hưởng kết quả phân phối tương tự như kết quả cho
Trường hợp GARCH. Tuy nhiên, các công cụ ước tính ARMA và công cụ ước tính GARCH được xác
định chính xác nếu các đổi mới có phân phối lệch. Trong phần tiếp theo, chúng tôi minh họa
Mô hình ARMA + GARCH với tỷ giá hối đoái hàng ngày của đô la Mỹ sang Hồng
Đô la Kong.
Một hướng tổng quát hóa khác liên quan đến tính phi tuyến tính trong quá trình biến động.
Đối với dữ liệu tài chính, điều này được thúc đẩy bởi một phản ứng thị trường bất đối xứng có thể,
Machine Translated by Google
12.8 Một ví dụ khác: Tỷ giá hối đoái USD / HKD hàng ngày 311
ví dụ: phản ứng mạnh mẽ hơn với lợi tức âm hơn là lợi nhuận dương của cùng một
kích cỡ. Ý tưởng có thể được minh họa đơn giản trong việc thiết lập mô hình ARCH (1),
nơi mà sự bất đối xứng có thể được mô hình hóa bằng cách chỉ định rằng
2 2
= + + (), γmin
1–0 và
2 (12.7.2)
σt | t 1–
ω αet 1–
Mô hình như vậy được gọi là mô hình GJR — một biến thể của nó cho phép ngưỡng
không xác định và khác 0. Xem Tsay (2005) để biết các phần mở rộng hữu ích khác của GARCH
các mô hình.
12.8 Một ví dụ khác: Tỷ giá hối đoái USD / HKD hàng ngày
Để minh họa cho mô hình ARIMA + GARCH, chúng tôi coi USD / HKD hàng ngày
Tỷ giá hối đoái (Đô la Mỹ sang Đô la Hồng Kông) từ ngày 1 tháng 1 năm 2005 đến ngày 7 tháng 3 năm
2006, tổng cộng 431 ngày dữ liệu. Lợi nhuận của tỷ giá hối đoái hàng ngày được thể hiện trong
Hình 12.33 và dường như đứng yên, mặc dù sự phân nhóm độ bay hơi được thể hiện rõ trong
kịch bản.
Biểu đồ 12,33 Lợi nhuận hàng ngày của USD / HKD Tỷ giá hối đoái: 1/1 / 05–3 / 7/06
Trở
về
0,05
0,15
0,15
0,05
Ngày
Điều thú vị cần lưu ý là nhu cầu kết hợp ARCH trong dữ liệu cũng
được hỗ trợ bởi thử nghiệm McLeod-Li áp dụng cho phần dư của mô hình AR (1) + ngoại lệ;
xem bên dưới để thảo luận thêm về chất phụ gia bên ngoài. Hình 12.34 cho thấy rằng
tất cả các thử nghiệm đều có ý nghĩa khi số lượng độ trễ của tự tương quan của bình phương
số dư dao động từ 1 đến 26, cho thấy bằng chứng mạnh mẽ về thành phố dị nhân có điều kiện.
Machine Translated by Google
312 Mô hình chuỗi thời gian của phương sai thay đổi
Hình 12.34 Thống kê Thử nghiệm McLeod-Li cho Tỷ giá hối đoái USD / HKD
1,0
0,8
0,6
trị
Giá
P
0,4
0,2
•••••
0,0
0 5 10 15 20 25
Lỗi
Mô hình AR (1) + GARCH (3,1) đã được trang bị cho dữ liệu trả về (thô) với một phụ gia
ngoại lệ một ngày sau ngày 22 tháng 7 năm 2005, ngày mà Trung Quốc định giá lại đồng nhân dân tệ 2,1% và
đã áp dụng một hệ thống tỷ giá thả nổi cho nó. Phần ngoại lai được tô màu xám trong Hình 12.33. Các
thuật ngữ chặn trong hàm trung bình có điều kiện được phát hiện là khác nhau không đáng kể
từ 0 và do đó bị bỏ qua khỏi mô hình. Vì vậy, chúng tôi lấy lợi nhuận bằng không
có nghĩa là vô điều kiện. Mô hình được trang bị có AIC = 2070,9, nhỏ nhất trong số
các mô hình cố định cạnh tranh (yếu) khác nhau — xem Phụ lục 12.35. Thật thú vị, cho
đơn đặt hàng GARCH thấp hơn (p ≤ 2), các mô hình được trang bị là không cố định, nhưng các mô hình được trang bị
phần lớn đứng yên khi thứ tự GARCH cao hơn 2. Vì dữ liệu có vẻ là
cố định, chúng tôi chọn mô hình AR (1) + GARCH (3,1) làm mô hình cuối cùng.
Các mô hình AR + GARCH được báo cáo một phần trong Phụ lục 12.35 đã được trang bị bằng cách sử dụng
Proc Autoreg thường xuyên trong phần mềm SAS. † Chúng tôi đã sử dụng tùy chọn mặc định để áp đặt
các ràng buộc bất đẳng thức Nelson-Cao đối với quá trình phương sai có điều kiện GARCH là
không âm. Tuy nhiên, các ràng buộc bất bình đẳng được áp đặt như vậy chỉ cần thiết và đủ cho tính không
âm của các phương sai có điều kiện của mô hình GARCH (p, q) cho p
≤ 2. Đối với các mô hình GARCH bậc cao hơn, Proc Autoreg áp đặt các ràng buộc (1) ψk
phương sai; xem sổ tay Tài liệu và Trợ giúp SAS 9.1.3. Do đó, thứ tự cao hơn
Các mô hình GARCH do Proc Autoreg ước tính với tùy chọn Nelson-Cao không cần phải có
† Proc Autoreg của SAS có tùy chọn áp đặt giới hạn bất bình đẳng Nelson-Cao trong
mô hình GARCH, do đó nó được sử dụng ở đây.
Machine Translated by Google
12.8 Một ví dụ khác: Tỷ giá hối đoái USD / HKD hàng ngày 313
Hình 12.35 Giá trị AIC cho các kiểu trang bị khác nhau cho lợi nhuận hàng ngày
của tỷ giá hối đoái USD / HKD
GARCH ARCH
Đơn đặt hàng AR AIC Tính ổn định
đặt hàng (p) đặt hàng (q)
1 3 1 2070,9 đứng im
1 3 2 2064,8 đứng im
1 3 3 2062,8 đứng im
1 4 2 2054,8 đứng im
1 4 3 2062,4 đứng im
2 3 1 2066,6 đứng im
Machine Translated by Google
314 Mô hình chuỗi thời gian của phương sai thay đổi
Đối với dữ liệu tỷ giá hối đoái Hồng Kông, mô hình được trang bị từ Proc Autoreg được liệt kê
trong Phụ lục 12.37 với các phương sai điều kiện ước tính được trình bày trong Phụ lục 12.36. Ghi chú
Phụ lục 12.36 Các phương sai điều kiện ước tính của lợi nhuận hàng ngày của tỷ giá hối đoái
0,008
0,004
Phương
kiện
điều
sai
có
0,000
Ngày
> plot (ts (usd.hkd $ v, freq = 1), type = 'l', xlab = 'Day',
ylab = 'Phương sai có điều kiện')
(c) của Kết quả 2 để kiểm tra xem có hay không quá trình phương sai có điều kiện được xác định bởi
mô hình được trang bị luôn luôn là không âm. Phương trình đặc trưng 1 - β1x - β2x2 - β3x3 = 0
thừa nhận ba gốc bằng 1,153728 và 0,483294 ± 1,221474i. Như vậy λ1 = 1,153728
và | λ2 | / λ1 = 1,138579. Dựa trên các phép tính số, n trong Công thức (12.6.11) lần lượt
ra là 2 và Phương trình (12.6.11) có một căn thực bằng 1.1385751 là đúng
nhỏ hơn 1,138579 = | λ2 | / λ1. Do đó, chúng ta có thể kết luận rằng mô hình được trang bị luôn
dẫn đến các phương sai có điều kiện không âm.
Machine Translated by Google
Hình 12.37 Mô hình AR (1) + ARCH (3,1) được trang bị cho Lợi nhuận hàng ngày
của Tỷ giá hối đoái USD / HKD
Chương này bắt đầu với mô tả ngắn gọn về một số thuật ngữ và vấn đề liên quan đến
chuỗi thời gian tài chính. Mô hình phương sai thay đổi có điều kiện tự động hồi phục (ARCH)
sau đó được giới thiệu trong một nỗ lực để mô hình hóa phương sai thay đổi của một chuỗi thời gian. Các
Mô hình ARCH của đơn hàng 1 đã được khám phá kỹ lưỡng từ việc xác định thông qua tham số
ước lượng và dự đoán. Các mô hình này sau đó được tổng quát hóa thành
phương sai thay đổi có điều kiện tự hồi quy, GARCH (p, q), mô hình. Các bản mod GARCH
cũng đã được khám phá kỹ lưỡng về khả năng nhận dạng, khả năng tối đa
ước tính, dự đoán và chẩn đoán mô hình. Ví dụ với cả mô phỏng và thực tế
dữ liệu chuỗi thời gian đã được sử dụng để minh họa các ý tưởng.
Machine Translated by Google
316 Mô hình chuỗi thời gian của phương sai thay đổi
BÀI TẬP
12.1 Hiển thị biểu đồ trình tự thời gian của lợi nhuận tuyệt đối cho dữ liệu CREF. Nói lại
âm mưu với lợi nhuận bình phương. Nhận xét về các mô hình biến động được quan sát trong
những âm mưu này. (Dữ liệu nằm trong tệp có tên CREF.)
12.2 Vẽ biểu đồ trình tự thời gian của lợi nhuận tuyệt đối cho tỷ giá USD / HKD
dữ liệu tỷ lệ. Lặp lại âm mưu với lợi nhuận bình phương. Nhận xét về sự biến động của nhạn
biển quan sát được trong các ô này. (Dữ liệu nằm trong tệp có tên usd.hkd.)
- =
2 2
12.3 Sử dụng định nghĩa [Phương trình (12.2.4) trên trang 287] và hiển thị
ηt rt σt | t 1–
rằng {ηt } là một dãy không tương quan với nhau. Cũng cho thấy rằng nó không liên quan
với k > 0.
với lợi nhuận bình phương trong quá khứ, nghĩa là, cho thấy rằngCorr
(0 = ηt r2, tk - )
2 2
12.4 Thay thế σt | t rt=
ηt - vào Phương trình (12.2.2) trên trang 285 cho thấy đại số
1–
áo ngực dẫn đến Phương trình (12.2.5) trên trang 287.
12.6 Không thực hiện bất kỳ phép tính lý thuyết nào, hãy sắp xếp các giá trị kurtosis của bốn phân
phối giảm dần theo thứ tự tăng dần: phân phối t với 10 DF,
phân phối t với 30 DF, phân phối đồng đều trên [ 1,1] và phân phối chuẩn với giá trị trung
bình 0 và phương sai 4. Giải thích câu trả lời của bạn.
12.7 Mô phỏng quá trình GARCH (1,1) với α = 0,1 và β = 0,8 và độ dài 500. Đồ thị
chuỗi thời gian và kiểm tra ACF, PACF và EACF mẫu của nó. Dữ liệu có bị nhiễu với giả định là
tiếng ồn trắng không? (a) Vuốt dữ liệu và xác định mô hình GARCH cho dữ liệu thô dựa trên
lấy mẫu ACF, PACF và EACF của dữ liệu bình phương. (b) Xác
định mô hình GARCH cho dữ liệu thô dựa trên ACF mẫu, PACF
và EACF của dữ liệu tuyệt đối. Thảo luận và hòa giải bất kỳ sự khác biệt nào
giữa mô hình dự kiến được xác định với dữ liệu bình phương và mô hình với
dữ liệu tuyệt đối.
(c) Thực hiện kiểm tra McLeod-Li trên loạt mô phỏng của bạn. Bạn kết luận điều gì?
(d) Lặp lại bài tập nhưng bây giờ chỉ sử dụng 200 dữ liệu mô phỏng đầu tiên. Bàn luận
12.8 Tệp cref.bond chứa giá hàng ngày của quỹ trái phiếu CREF từ tháng 8
26 tháng 8 năm 2004 đến ngày 15 tháng 8 năm 2006. Những dữ liệu này chỉ có sẵn vào các ngày giao dịch, nhưng
tiến hành phân tích dữ liệu như thể chúng được lấy mẫu thường xuyên.
(a) Hiển thị biểu đồ trình tự thời gian của dữ liệu giá trái phiếu hàng ngày và nhận xét về
các tính năng chính trong dữ liệu.
(b) Tính toán lợi tức trái phiếu hàng ngày bằng cách ghi nhật ký chuyển đổi dữ liệu và sau đó đưa
ra những khác biệt đầu tiên của dữ liệu đã chuyển đổi. Lập đồ thị lợi nhuận trái phiếu hàng ngày,
và bình luận về kết quả.
(c) Thực hiện kiểm tra McLeod-Li trên chuỗi trả về. Bạn kết luận điều gì?
(d) Chứng tỏ rằng lợi nhuận của chuỗi giá trái phiếu CREF dường như được phân bổ một cách rõ
ràng và giống hệt nhau và không chỉ là không tương quan với nhau; đó là,
12,9 Lợi nhuận hàng ngày của cổ phiếu Google từ ngày 14 tháng 8 năm 2004 đến ngày 13 tháng 9 năm 2006
Hiển thị biểu đồ trình tự thời gian cho dữ liệu trả về và cho thấy rằng dữ liệu
gian. (b) Tính toán trung bình của lợi nhuận hàng ngày của Google. Nó có vẻ khác biệt đáng kể
so với 0?
(c) Thực hiện kiểm tra McLeod-Li trên chuỗi kết quả hàng ngày của Google. Bạn làm gì
kết luận?
(d) Xác định mô hình GARCH cho dữ liệu trả lại hàng ngày của Google. Ước tính mô hình đã được
xác định sẵn và thực hiện chẩn đoán mô hình với mô hình được trang bị. (e) Vẽ và nhận xét
(f) Vẽ biểu đồ thông thường QQ cho các phần dư được chuẩn hóa từ mô hình được trang bị.
Các phần dư có vẻ bình thường không? Thảo luận về ảnh hưởng của quy luật đối với
ví dụ, phù hợp với mô hình liên quan đến việc tính toán giá trị độ tin cậy.
(g) Xây dựng khoảng tin cậy 95% cho b1. (h) Giá trị
trung bình đứng yên và phương sai theo GARCH được trang bị là gì
(i) Dựa trên mô hình GARCH, xây dựng khoảng thời gian dự đoán 95% cho
12.10 Trong Bài tập 11.21 trên trang 276, chúng tôi đã điều tra sự tồn tại của các ngoại lệ với
logarit của giá dầu hàng tháng trong khuôn khổ của mô hình IMA (1,1).
Ở đây, chúng tôi khám phá những tác động của “ngoại lệ” đối với đặc điểm kỹ thuật GARCH. Dữ liệu
(a) Dựa trên mẫu ACF, PACF và EACF của bình phương và tuyệt đối
phần dư từ mô hình IMA (1,1) được trang bị (không có điều chỉnh ngoại lệ), hiển thị
rằng mô hình GARCH (1,1) có thể thích hợp cho các phần dư. (b) Điều chỉnh
mô hình IMA (1,1) + GARCH (1,1) với logarit của dầu hàng tháng
giá cả.
(c) Vẽ biểu đồ trình tự thời gian cho lượng dư tiêu chuẩn hóa từ thiết bị
Mô hình IMA (1,1) + GARCH (1,1). Có bất kỳ ngoại lệ nào không? (d)
Đối với giá dầu log, phù hợp với mô hình IMA (1,1) với hai IO tại t = 2 và t = 56
dường như được phân phối độc lập và giống hệt nhau và không chỉ theo hàng loạt
không liên quan; nghĩa là, không có sự phân nhóm biến động rõ ràng. (e)
Giữa mô hình ngoại lệ và mô hình GARCH, bạn nghĩ mô hình nào hơn
phù hợp với dữ liệu giá dầu? Gia i thich câu tra lơi cu a ba n.
Machine Translated by Google
318 Mô hình chuỗi thời gian của phương sai thay đổi
Phụ lục I: Công thức cho Kiểm tra Portmanteau Tổng quát
Đầu tiên chúng tôi trình bày công thức cho Q = (qi, j) cho trường hợp kiểm tra portmanteau là
dựa trên phần dư chuẩn hóa bình phương. Độc giả có thể tham khảo Li và Mak (1994)
để chứng minh các công thức. Gọi θ biểu thị véc tơ của các tham số GARCH. Ví dụ,
đối với mô hình GARCH (1,1),
θ = α (12.I.1)
Viết thành phần thứ i của θ dưới dạng θi sao cho θ1 = ω, θ2 = α và θ3 = β cho GARCH (1,1)
người mẫu. Trong trường hợp tổng quát, gọi k = p + q + 1 là số tham số GARCH. Hãy để J
là một ma trận m × k có phần tử thứ (i, j) bằng
2
N
2
-1 1
---------------
σt | t 1–
2 () 1–
----------------- Tôi - (12.I.2)
N
t tôi 1 + = θj
σt | t 1–
và Λ là ma trận hiệp phương sai k × k của phân phối chuẩn gần đúng của công cụ ước
lượng khả năng mẹ tối đa của θ đối với mô hình giả định các đổi mới bình thường; hiểu
Mục 12.4. Gọi Q = (qi, j ) là ma trận của q xuất hiện ở dạng bậc hai của
thử nghiệm portmanteau tổng quát. Có thể chứng minh rằng ma trận Q bằng
1 T 1–
-
Tôi -------------------- JΛJ 12.I.3)
2 () κ 2+
Τ
trong đó I là ma trận nhận dạng m × m , κ là kurtosis (dư thừa) của các đổi mới, J Là
là chuyển vị của J, và chỉ số trên 1 biểu thị nghịch đảo của ma trận.
Tiếp theo, chúng tôi trình bày các công thức cho trường hợp các bài kiểm tra được tính toán dựa trên
các phần dư được tiêu chuẩn hóa tuyệt đối. Trong trường hợp này, phần tử thứ (i, j ) của ma trận J
bằng
2
-1 1
---------------
σt | t 1–
2 ----------------- | Tôi - (| - τ (12.I.4)
N
t ) θj
σt | t 1–
- [((] ) τ ⁄ κ8 2+ + τν2 1– τ) -
-------------------------------------------------- --------------- JΛJT - (12.I.5)
I 2 1 τ2 () -
3
với .
ν E= |( εt ) |
Machine Translated by Google
CHƯƠNG 13
GIỚI THIỆU VỀ PHÂN TÍCH SPECTRAL
Về mặt lịch sử, phân tích quang phổ bắt đầu với việc tìm kiếm "các chu kỳ ẩn" trong dữ
liệu chuỗi thời gian. Chương 3 đã thảo luận về việc điều chỉnh các xu hướng cosin ở các
tần số đã biết khác nhau thành chuỗi có các xu hướng chu kỳ mạnh. Ngoài ra, ví dụ về sóng
cosin ngẫu nhiên trong Chương 2 trên trang 18, cho thấy rằng có thể xảy ra một quá trình
dừng trông rất giống một sóng cosin xác định. Chúng tôi đã gợi ý trong Chương 3 rằng bằng
cách sử dụng đủ tần số ferent với đủ biên độ (và pha) khác nhau, chúng ta có thể lập mô
hình gần như bất kỳ chuỗi tĩnh nào. † Chương này tiếp tục theo đuổi những ý tưởng đó với
phần giới thiệu về phân tích quang phổ. Trước chương này, chúng tôi tập trung phân tích các
thuộc tính tương quan của chuỗi thời gian. Phân tích như vậy thường được gọi là ysis hậu
môn miền thời gian . Khi chúng ta phân tích các thuộc tính tần số của chuỗi thời gian,
chúng ta nói rằng chúng ta đang làm việc trong miền tần số. Ví dụ, phân tích miền tần số
hoặc phân tích phổ đặc biệt hữu ích trong âm học, kỹ thuật truyền thông, khoa học địa vật
lý và khoa học y sinh.
Hãy nhớ rằng R (> 0) là biên độ, f là tần số và Φ pha của đường cong.
Vì đường cong lặp lại chính xác sau mỗi đơn vị thời gian 1 / f, 1 / f được gọi là chu kỳ
của sóng cosin.
Hình 13.1 hiển thị hai đường cong cosin thời gian rời rạc với thời gian chạy từ
1 đến 96. Chúng ta sẽ chỉ nhìn thấy các điểm rời rạc, nhưng các đoạn đường nối được
thêm vào để giúp mắt chúng ta theo dõi mô hình. Các tần số lần lượt là 4/96 và 14/96.
Đường cong tần số thấp hơn có pha bằng 0, nhưng đường cong tần số cao hơn bị dịch
chuyển một pha 0,6π.
Hình 13.2 cho thấy đồ thị của sự kết hợp tuyến tính của hai đường cong cosin với hệ số
nhân 2 trên đường cong tần số thấp và hệ số nhân 3 trên đường cong tần số tự do cao hơn và
pha là 0,6π; đó là,
319
Machine Translated by Google
Hình 13.1 Đường cong Cosine với n = 96 và hai tần số và giai đoạn
1,0
• • • • • • • •
• • • • • • • •
Cosines
• • • • • • • •
• • • • • • • •
• • • • • • • •
• • • • • • • •
0,5
1,0
0,0
4
Yt = 2 cos 2πt
----- 3 + cos 96
-----
14 2π
+ t
0,3
(13.1.2)
96
Bây giờ tính chu kỳ phần nào bị che giấu. Phân tích quang phổ cung cấp các công cụ
để loại bỏ các chu kỳ "ẩn" một cách dễ dàng. Tất nhiên, không có gì là ngẫu nhiên trong
chuỗi thời gian này.
Hình 13.2 Sự kết hợp tuyến tính của hai đường cong Cosine
• •
••
• • • •
•• • •• • • •
• • •
• • • •
•• • • ••• • •
• • • •
yt
• •• • ••
• • • • • • • •
• • • •
•• • • • •• • • • •• •
•• • • •
• •
• •
44
2
0 2
•• • • • •
• •
• •
••
• ••
• • • • •
0 20 40 60 80
> y = 2 * cos1 + 3 * cos2; plot (t, y, type = 'o', ylab = expression (y [t]))
Machine Translated by Google
Như chúng ta đã thấy trước đó, Công thức (13.1.1) không thuận tiện cho việc ước lượng vì
tham số R và Φ không nhập biểu thức một cách tuyến tính. Thay vào đó, chúng tôi sử dụng một lượng giác
ở đâu
R A2
= B2 + , Φ = atan ( ) –B ⁄ A (13.1.4)
và ngược lại,
AR = cos () Φ , BR = - sin () Φ (13.1.5)
Sau đó, đối với tần số cố định f, chúng ta có thể sử dụng cos (2πft) và sin (2πft) làm biến dự báo
và phù hợp với A và B từ dữ liệu sử dụng hồi quy bình phương nhỏ nhất thông thường.
Một tổ hợp tuyến tính tổng quát của m đường cong cosine với biên độ tùy ý, tự do
dập tắt, và các giai đoạn có thể được viết là †
m
Yt A0
= + [cos (
Aj 2πf + tsin
j( ) Bj 2πf ) t
] j
(13.1.6)
j 1 =
Hồi quy bình phương nhỏ nhất thông thường có thể được sử dụng để phù hợp với A và B, nhưng khi
tần số quan tâm có dạng đặc biệt, việc hồi quy đặc biệt dễ dàng. Giả sử
n là số lẻ và viết n = 2k + 1. Khi đó các tần số có dạng 1 / n, 2 / n,…, k / n
(= 1/2 - 1 / (2n)) được gọi là tần số Fourier. Biến thể dự báo cosine và sin thay
đổi ở các tần số này (và tại f = 0) được biết là trực giao, ‡ và nhỏ nhất
ước tính bình phương chỉ đơn giản là
^ _
Một 0 = Y (13.1.7)
N N
^ 2 ^ 2
- Bj -
Một
j = Yt cos () 2πtj n⁄ và Yt sin () 2πtj n⁄ (13.1.8)
Nt 1 = = N
t 1 =
Nếu kích thước mẫu là chẵn, giả sử n = 2k, các Công thức (13.1.7) và (13.1.8) vẫn áp dụng cho
j = 1, 2,…, k - 1, nhưng
N
^ ^
-1 và Bk 0 =
Một k = () 1– tYt (13.1.9)
Nt 1 =
Nếu chúng tôi áp dụng các công thức này cho chuỗi được trình bày trong Phụ lục 13.2,^ chúng tôi sẽ
^
thu được kết quả hoàn hảo. Tức là, ở tần số f4 = 4/96, ta thu được A 4 =ở 2tần
và B 4 = 0 và
^ ^
số f14 = 14/96, ta thu được A 14 =nhận
0,927051 và
được ước B 14 = 2,85317. Chúng tôi sẽ
lượng bằng 0 cho các hệ số hồi quy ở tất cả các tần số khác. Này
kết quả nhận được bởi vì không có ngẫu nhiên trong chuỗi này và các khớp cosine-sin là
chính xác.
Cũng lưu ý rằng bất kỳ chuỗi nào có độ dài n bất kỳ, cho dù xác định hay ngẫu nhiên và
có hoặc không có bất kỳ chu kỳ thực sự nào, có thể hoàn toàn phù hợp với mô hình trong Phương trình
N ^ ^
Tôi = (
j
- A 2 )B + 2 (13.2.1)
- N j 2 j
^
Nếu kích
^ thước mẫu là chẵn và n = 2k, các Công thức (13.1.7) và (13.1.8) vẫn cho kết quả là
Một
B và Phương trình (13.2.1) đưa ra biểu đồ chu kỳ cho j = 1, 2,…, k - 1. Tuy nhiên, tại
and 's
tần số cực trị f = k / n = ½, áp dụng công thức (13.1.9) và
1 = N (A ^) 2 (13.2.2)
k
Tôi ( ) -
2
Vì biểu đồ chu kỳ tỷ lệ với tổng bình phương của các hệ số hồi quy liên quan đến
tần số f = j / n, chiều cao của biểu đồ chu kỳ cho thấy giá trị tương đối
độ mạnh của các cặp cosine-sin ở các tần số khác nhau trong hành vi tổng thể của chuỗi.
Một cách giải thích khác là phân tích phương sai. Biểu đồ chu kỳ I (j / n) là
tổng các bình phương có hai bậc tự do liên kết với cặp hệ số
N _ k
2 j
() Yj
- Y =
Tôi
(13.2.3)
- N
j 1 = j 1 =
khi n = 2k + 1 là số lẻ. Một kết quả tương tự được giữ nguyên khi n chẵn nhưng có số hạng xa hơn
Phụ lục 13.3 hiển thị một biểu đồ của biểu đồ chu kỳ cho chuỗi thời gian trong Phụ lục 13.2.
Chiều cao cho thấy sự hiện diện và cường độ tương đối của hai thành phần cosin-sin
khá rõ ràng. Cũng lưu ý rằng các tần số 4/96 ≈ 0,04167 và 14/96 ≈ 0,14583 có
được đánh dấu trên trục tần số.
† Thường dựa trên thuật toán Cooley-Tukey FFT; xem Gentleman and Sande (1966).
Machine Translated by Google
Phụ lục 13.3 Biểu đồ tuần hoàn của loạt bài trong Phụ lục 13.2
hoàn
tuần
Biểu
đồ
400
300
200
100
0
> hình chu kỳ (y); abline (h = 0); trục (1, at = c (0,04167, 0,14583))
Biểu đồ chu kỳ có hoạt động tốt không khi chúng ta không biết vị trí hoặc ngay cả khi
có những cosin trong chuỗi? Điều gì sẽ xảy ra nếu loạt phim có thêm “nhiễu”? Để đánh lừa đặc
điểm, chúng tôi tạo ra một chuỗi thời gian bằng cách sử dụng ngẫu nhiên để chọn các tần số, biên độ,
và các pha và với tiếng ồn trắng phụ gia bổ sung. Hai tần số là ngẫu nhiên
được chọn mà không thay thế từ 1/96, 2/96,…, 47/96. A và B là
được chọn độc lập với các phân phối chuẩn với giá trị trung bình bằng 0 và độ lệch chuẩn là 2 đối
với thành phần thứ nhất và 3 đối với thành phần thứ hai. Cuối cùng, một tiếng ồn trắng bình thường
chuỗi, {Wt}, với giá trị trung bình bằng 0 và độ lệch chuẩn 1, được chọn độc lập với
A và B và thêm vào. Mô hình là †
và Hình 13.4 hiển thị một chuỗi thời gian có độ dài 96 được mô phỏng từ mô hình này. Một lần
hơn nữa, các chu kỳ không rõ ràng cho đến khi chúng ta xem biểu đồ chu kỳ được hiển thị trong Phần trình bày
13,5.
† Mô hình này thường được mô tả là mô hình tín hiệu cộng với nhiễu . Tín hiệu có thể là tic xác định
• •
• • •
5
•
••• • •
• • •
• ••
yt
0 • • • • • • • • •• •
• • •
•••
• •
• •
••••
• • • •
• • • ••
• •
•
• • •• • • • •
• •
• • ••
• •
•
•
• • • •
• •
•• •• • • • ••
5
• • • • • •
• •
•
0 20 40 60 80
Biểu đồ chu kỳ cho thấy rõ ràng rằng chuỗi chứa hai cặp cosin-sin ở các khoảng
trống tự do là khoảng 0,11 và 0,32 và thành phần tần số cao hơn là stron ger nhiều. Có
một số đột biến rất nhỏ khác trong biểu đồ chu kỳ, dường như là do thành phần tiếng ồn
trắng phụ gia gây ra. (Khi chúng tôi kiểm tra chi tiết mô phỏng, chúng tôi thấy rằng
một tần số được chọn là 10/96 ≈ 0,1042 và tần số còn lại được chọn là 30/96 = 0,3125.)
Hình 13.5 Biểu đồ tuần hoàn của chuỗi thời gian được thể hiện trong Phụ lục 13.4
hoàn
tuần
Biểu
đồ
800
600
400
200
0
Đây là một ví dụ về biểu đồ thời gian cho một chuỗi thời gian cổ điển của Whittaker và
Robinson (1924). † Hình 13.6 hiển thị biểu đồ chuỗi thời gian về độ sáng (độ phóng đại)
của một ngôi sao cụ thể vào lúc nửa đêm trong 600 đêm liên tiếp.
Hình ảnh minh họa 13,6 Độ sáng của các ngôi sao có thể thay đổi trong 600 đêm liên tiếp
30
20
sáng
độ
10
5
0
Ngày
Hình 13.7 cho thấy biểu đồ chu kỳ cho chuỗi thời gian này. Có hai cực đại promi
nent trong biểu đồ chu kỳ. Khi chúng tôi kiểm tra các giá trị số thực tế, chúng tôi thấy
rằng cực đại lớn hơn xảy ra ở tần số f = 21/600 = 0,035. Tần số này tương ứng
đến khoảng thời gian 600/21 ≈ 28,57, hoặc gần 29 ngày. Đỉnh thứ cấp xuất hiện tại f =
25/600 ≈ 0,04167, tương ứng với khoảng thời gian 24 ngày. Khiêm tốn hơn nhiều
Các giá trị biểu đồ chu kỳ khác không gần đỉnh chính có thể do rò rỉ.
Hai đỉnh nhọn gợi ý một mô hình cho chuỗi này chỉ với hai cặp cosin-sin
với tần số hoặc khoảng thời gian thích hợp, cụ thể là
= + + sin ) + + sin +
Yt β0 β1 cos (2πf 1t β2 2πf () β 1t 3 cos (2πf 2 ( ) t β4 2πf 2 ) t và (13.2.5)
trong đó f1 = 1/29 và f2 = 1/24. Nếu chúng ta ước lượng mô hình hồi quy này như trong Chương 3, chúng ta
thu được các hệ số hồi quy có ý nghĩa thống kê cao cho tất cả năm tham số và
bội R-bình phương giá trị 99,9%.
Chúng ta sẽ trở lại chuỗi thời gian này trong Phần 14.5 trên trang 358, nơi chúng ta thảo luận
† Một phân tích sâu rộng về loạt bài này xuất hiện khắp Bloomfield (2000).
Machine Translated by Google
Hình 13.7 Biểu đồ tuần hoàn của Chuỗi thời gian độ sáng của các ngôi sao biến thiên
15000
biến
hoàn
tuần
Biểu
đổi
sao
đồ
5000
0
> biểu đồ chu kỳ (sao, ylab = 'Biểu đồ tuần hoàn sao biến đổi'); abline (h = 0)
Mặc dù các tần số Fourier là đặc biệt, chúng tôi mở rộng định nghĩa của biểu đồ peri
odogram cho tất cả các tần số trong khoảng từ 0 đến ½ thông qua các Công thức (13.1.8) và
(13.2.1). Do đó, chúng ta có 0 ≤ f ≤ ½
N ^ ^
Tôi f () = -
( A 2 )B + 2 (13.2.6)
2 f f
ở đâu
^ 2 N ^ 2 N
- và B -
Một
= Yt cos () 2πtf = Yt sin () 2πtf (13.2.7)
f N f N
t 1 = t 1 =
Khi xem theo cách này, biểu đồ chu kỳ thường được tính toán ở một lưới tần số
mịn hơn các tần số Fourier và các điểm được vẽ trên đồ thị được nối với nhau bằng các đoạn thẳng
để hiển thị một đường cong hơi mịn.
Tại sao chúng ta chỉ xem xét các tần số dương? Bởi vì tính chất chẵn và lẻ
của cosin và sin, bất kỳ đường cong cosin-sin nào có tần số âm, chẳng hạn như f, có thể giống như
cũng được biểu diễn dưới dạng đường cong cosine-sin với tần số + f. Không có tính tổng quát nào bị mất bởi
Chúng ta nói rằng hai tần số ¼ và ¾ được đặt biệt hiệu với nhau. Nói chung, mỗi
tần số f trong khoảng từ 0 đến ½ sẽ được đặt biệt hiệu với mỗi tần số của dạng
† Định nghĩa của Công thức (13.2.6) thường được sử dụng cho ½ < f < + ½, nhưng hàm func
kết quả là đối xứng về 0 và không có thông tin mới nào được thu thập từ các cies thường xuyên
âm. Phần sau của chương này, chúng ta sẽ sử dụng cả tần số dương và âm để nhất định
giữ các mối quan hệ toán học tốt đẹp.
Machine Translated by Google
f + k (½) với mọi số nguyên dương k và nó đủ để giới hạn sự chú ý đến các tần số trong
khoảng từ 0 đến ½.
• • •
1,0
0,5
• • • •
Yt
• •
0,5
1,0
0,0
02468 1357
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> t = seq (0,8, x = 0,05)
> plot (t, cos (2 * pi * t / 4), axis = F, type = 'l', ylab = expression (Y [t]), xlab =
'Discrete Time t')
> axis (1, at = c (1,2,3,4,5,6,7)); axis (1); trục (2); hộp()
> lines (t, cos (2 * pi * t * 3/4), lty = 'dashed', type = 'l'); abline (h = 0)
> điểm (x = c (0: 8), y = cos (2 * pi * c (0: 8) / 4), pch = 19)
Hãy xem xét một chuỗi thời gian được biểu diễn dưới dạng
m
Yt = [cos (
Aj 2πf + sin (13.3.1)
j ( ) t Bj 2πf
) t
] j
j 1 =
trong đó các tần số 0 < f1 < f2 <… < fm <½ là cố định và Aj và Bj là độc lập
2.
các biến ngẫu nhiên bình thường với giá trị bằng không và Var (Aj ) = Var (Bj ) = Thì một σj thẳng
phép tính chuyển tiếp cho thấy {Yt } đứng yên † với giá trị trung bình bằng 0 và
m
2
γk =
(13.3.2)
σj 2πkfj cos ()
j 1 =
Đặc biệt, phương sai quá trình, γ0, là tổng các phương sai do mỗi thành phần
ở các tần số cố định khác nhau:
m
2
γ0 = (13.3.3)
σj
j 1 =
Nếu với 0 < f <½, chúng ta xác định hai hàm bước ngẫu nhiên bằng cách
() j fj ={} ≤a ff và b f () = (13.3.4)
Aj Bj
j fj {} ≤ f
½ ½
= cos () 2πft da f () + sin () 2πft db f () (13.3.5)
Yt
0 0
Hóa ra là bất kỳ quá trình tĩnh nào có giá trị trung bình bằng 0 đều có thể được biểu diễn như trong Công thức
(13.3.5). † Nó chỉ ra cách các quá trình tĩnh có thể được biểu diễn dưới dạng kết hợp tuyến tính
của vô số cặp cosin-sin trên một dải tần số liên tục. Nói chung, a (f)
và b (f) là các quá trình ngẫu nhiên trung bình bằng 0 được lập chỉ mục theo tần số trên 0 ≤ f ≤ ½, mỗi
với số gia ‡ không tương quan , và số gia của a (f) không tương quan với
số gia của b (f). Hơn nữa, chúng tôi có
f2 f
Var afd () = Var bfd2 () = (13.3.6)
F f2 ()
f1 F
- (), Nói.
f1 f1
Phương trình (13.3.5) được gọi là biểu diễn phổ của quá trình. Hàm nondecreas ing F
(f) được xác định trên 0 ≤ f ≤ ½ được gọi là hàm phân bố phổ của
quá trình.
Chúng tôi nói rằng quá trình đặc biệt được xác định bởi Công thức (13.3.1) có một
(hoặc vạch) và, đối với 0 ≤ f ≤ ½,
2
F f () = (13.3.7)
σj
j fj {} ≤ f
Ở đây độ cao của các bước nhảy trong phân bố quang phổ cung cấp cho các phương sai liên quan
với các thành phần tuần hoàn khác nhau, và vị trí của các bước nhảy biểu thị độ
nguội tự do của các thành phần tuần hoàn.
Nói chung, một hàm phân bố phổ có các tính chất
† Bằng chứng nằm ngoài phạm vi của cuốn sách này. Xem Cramér và Leadbetter (1967, trang 128
–138), chẳng hạn. Bạn không cần phải hiểu tích phân ngẫu nhiên Riemann-Stieltjes để
đánh giá cao phần còn lại của cuộc thảo luận về phân tích quang phổ.
‡ Các gia số không tương quan thường được gọi là gia số trực giao.
Machine Translated by Google
1. F là không giảm
Nếu chúng ta xem xét hàm phân bố phổ theo tỷ lệ F (f) / γ0, chúng ta có một hàm với
các tính chất toán học tương tự như một hàm phân phối tích lũy (CDF) cho một biến dom
đã chạy trên khoảng 0 đến ½ kể từ bây giờ F (½) / γ0 = 1.
Chúng tôi giải thích phân bố phổ bằng cách nói rằng, đối với 0 ≤ f1 < f2 ≤ ½, tích phân
f2
dF f () (13.3,9)
f1
đưa ra phần của phương sai quá trình (tổng) F (½) = γ0 được quy cho tần suất xuất hiện
trong phạm vi f1 đến f2.
Trong phân tích quang phổ, thông thường trước tiên là loại bỏ giá trị trung bình của mẫu khỏi chuỗi. Vì
phần còn lại của chương này, chúng tôi giả định rằng theo định nghĩa của biểu đồ chu kỳ, Yt
đại diện cho độ lệch so với giá trị trung bình mẫu của nó. Hơn nữa, đối với hàm số đối lưu toán
học, bây giờ chúng ta để các hàm khác nhau của tần số, chẳng hạn như biểu đồ chu kỳ, được định nghĩa
trên khoảng ( ½, ½]. Đặc biệt, chúng tôi xác định mật độ phổ mẫu hoặc mẫu
phổ thẳng nhưS ^đại
( ) số
f = thuận
½I (f) nhưng hơi
cho tất cả cáctẻ
tầnnhạt, chúng
số trong ( ½, ta
½) có
và thể
S ^ () chứng
½ = Tôi
minh
(½).
rằng
Sử mật
dụngđộ
phổ mẫu có thể
cũng được thể hiện như
^ n 1– ^
γ f 0+ =2 γ
S ^ () k
cos () 2πfk (13.3.10)
k 1 =
^
đâu là γmẫu
k
hoặc hàm hiệp phương sai ước tính ở độ trễ k (k = 0, 1, 2,…, n - 1)
được cho bởi
_ _
^ 1
-
N
γk = (Yt )Y- (
Yt k -
) Y
- (13.3.11)
N
tk 1 + =
Theo thuật ngữ phân tích Fourier, mật độ phổ mẫu là Fourier (thời gian rời rạc)
biến đổi của hàm hiệp phương sai mẫu. Từ lý thuyết phân tích Fourier, nó sau
rằng có một mối quan hệ nghịch đảo, cụ thể là †
^ ½
γk = S ^ ( ) f cos () 2πfk fd (13.3.12)
–
½
† Điều này có thể được chứng minh bằng cách sử dụng các mối quan hệ trực giao thể hiện trong Phụ lục J trên
trang 349.
Machine Translated by Google
Đặc biệt, lưu ý rằng tổng diện tích dưới mật độ phổ của mẫu là mẫu
phương sai của chuỗi thời gian.
½ 1
N _
^ - 2
= (13.3.13)
γ0 S ^ ( ) f fd = ( Yt )Y -
–
½ N
t 1 =
Vì mỗi cái có thể được lấy từ cái kia, mật độ phổ của mẫu và mẫu
hàm hiệp phương sai chứa cùng thông tin về chuỗi thời gian được quan sát nhưng nó là
được thể hiện theo những cách khác nhau. Đối với một số mục đích, một mục đích thuận tiện hơn hoặc hữu ích hơn, và
cho các mục đích khác là thuận tiện hơn hoặc hữu ích hơn.
Đối với nhiều quy trình, chẳng hạn như tất cả các quy trình ARMA tĩnh, hàm hiệp phương sai
phân rã nhanh chóng với độ trễ ngày càng tăng. † Trong trường hợp đó, có vẻ hợp lý khi
xem xét biểu thức được hình thành bằng cách thay thế các đại lượng mẫu trong phổ mẫu của
phương trình (13.3.10) bằng các đại lượng lý thuyết tương ứng. Nói một cách chính xác, nếu
hàm hiệp phương sai γk là hoàn toàn có thể tính được, chúng tôi xác định mật độ quang phổ lý
thuyết (hoặc popula tion) cho ½ < f ≤ ½ là
∞
Một lần nữa, có một mối quan hệ nghịch đảo, được đưa ra bởi
Về mặt toán học, S (f) là biến đổi Fourier (thời gian rời rạc) của chuỗi …, γ 2, γ 1,
γ0, γ1 , γ2,…, và {γk} là biến đổi Fourier nghịch đảo ‡ của mật độ quang phổ S (f)
xác định trên ½ < f ≤ ½.
Mật độ quang phổ có tất cả các đặc tính toán học của mật độ xác suất
hàm trên khoảng ( ½, ½], ngoại trừ tổng diện tích là γ0 thay vì 1.
Hơn nữa, có thể cho thấy rằng
† Tất nhiên, đây không phải là trường hợp của các quá trình được xác định trong Công thức (13.2.4) trên trang 323
và (13.3.1) trên trang 327. Các quá trình đó có các thành phần rời rạc trong quang phổ của chúng.
S f () = γke – 2πikf
k - = ∞
đâu là tôi 1– ảo
đơn vị = cho số phức. Điều này trông giống một tiêu chuẩn hơn
biến đổi Fourier thời gian rời rạc. Theo cách tương tự, Phương trình (13.4.2) có thể được viết lại thành
½
.
γk = S f ( ) e2πikf fd
–
½
Machine Translated by Google
f
F f ()
= S x () xd cho 0 ≤ f ≤ ½ (13.4.3)
0
Do đó, hai lần diện tích dưới mật độ phổ giữa tần số f1 và f2 với 0 ≤ f1
< f2 ≤ ½ được hiểu là phần phương sai của quá trình được quy cho
các cặp cosine-sin trong khoảng tần số đó tạo nên quá trình.
Bộ lọc tuyến tính bất biến theo thời gian được xác định bởi một chuỗi các hằng số tổng hoàn toàn
…, C 1, c0, c1, c2, Nếu {Xt } là một chuỗi thời gian, chúng tôi sử dụng các hằng số này để lọc {Xt } và
c3,…. tạo chuỗi thời gian mới {Yt } bằng cách sử dụng biểu thức
∞
Yt = (13.4.4)
cj Xt j -
j - = ∞
Nếu ck = 0 với k <0, chúng ta nói rằng bộ lọc là nhân quả. Trong trường hợp này, việc lọc tại thời điểm t
chỉ liên quan đến các giá trị dữ liệu hiện tại và quá khứ và có thể được thực hiện trong “thời gian thực”.
Chúng tôi đã thấy nhiều ví dụ về bộ lọc tuyến tính bất biến theo thời gian trong phần trước
các chương. Sự khác biệt (trái mùa hoặc theo mùa) là một ví dụ. Sự kết hợp của một
Sự khác biệt theo mùa với một sự khác biệt trái mùa là một ví dụ khác. Mọi chuyển động
quá trình trung bình có thể được coi là quá trình lọc tuyến tính của một chuỗi nhiễu trắng và trong
thực tế là mọi quá trình tuyến tính tổng quát được xác định bởi Công thức (4.1.1) trên trang 55 là một
Biểu thức ở phía bên phải của Phương trình (13.4.4) thường được gọi là
(thời gian rời rạc) tích chập của hai chuỗi {ct } và {Xt }. Một cực kỳ hữu ích
thuộc tính của phép biến đổi Fourier là phép toán tích chập hơi phức tạp trong miền
thời gian được chuyển thành phép toán nhân rất đơn giản
trong miền tần số. †
Cụ thể, đặt SX (f) là mật độ quang phổ của quá trình {Xt } và đặt SY (f) là
mật độ phổ cho quá trình {Yt }. Ngoài ra, hãy
∞
C (e 2–
) =πif e – 2πifj (13.4.5)
cj
j - = ∞
sau đó
∞ ∞
()Yt, k - = Cov
Cov Yt cj Xt j ,- csXt k - - s
s - = ∞
j - = ∞
∞ ∞
= ,
( csCov
cj Xt j - Xt k - - s )
j - = ∞ s - = ∞
† Bạn có thể đã thấy điều này với các chức năng tạo khoảnh khắc. Mật độ của tổng
của hai biến ngẫu nhiên độc lập, rời rạc hoặc liên tục, là tích chập của chúng
mật độ tương ứng, nhưng hàm tạo thời điểm cho tổng là sản phẩm của
các chức năng tạo khoảnh khắc tương ứng.
Machine Translated by Google
∞ ∞ ½
(
= fd cs e2πis kj cj ) - + f SX ( ) f
–½
j - = ∞ s - = ∞
2
½ ∞
2– πisf
= cse e2πifkSX ( ) f fd
–½
s - = ∞
Vì thế
½
,
Cov Yt( Yt k - ) = C e – 2πif () 2SX ( ) f e2πifk fd (13.4.6)
–½
Nhưng mà
½
,
Cov Yt( Yt k - ) = SY ( ) f e2πifk fd (13.4.7)
–
½
= 2– πif (13.4.8)
SY ( ) f C e( ) 2SX ( ) f
Biểu thức này là vô giá để điều tra tác động của bộ lọc tuyến tính bất biến theo thời gian
trên quang phổ. Đặc biệt, nó giúp chúng tôi tìm ra dạng mật độ quang phổ cho ARMA
trình 2– πif . Hàm ( C được gọi là2 hàm truyền (công suất) của
) Quá
e thường
lọc.
Tiếng ồn trắng
Từ công thức (13.4.1), có thể dễ dàng thấy rằng mật độ quang phổ lý thuyết đối với màu trắng
quá trình nhiễu là không đổi đối với tất cả các tần số trong ½ < f ≤ ½ và đặc biệt,
= 2
(13.5.1)
S f () σe
Tất cả các tần số nhận được trọng lượng bằng nhau trong biểu diễn phổ của tiếng ồn trắng. Đây
tương tự trực tiếp với quang phổ của ánh sáng trắng trong vật lý — tất cả các màu (nghĩa là tất cả
tần số) nhập bằng nhau trong ánh sáng trắng. Cuối cùng, chúng tôi hiểu nguồn gốc của tên
tiếng ồn trắng!
Quá trình MA (1) là một quá trình lọc nhiễu trắng đơn giản với c0 = 1 và c1 = θ và như vậy
C e 2– πif () 2 = - -
1 θe2πif (1 ()
θe
e2πif
12–
θ2eπif
θ2–)
πif ()
2θcos - + = () 1 θ2+ - + =
2πf (13.5.2)
Như vậy
Machine Translated by Google
S f ()
=
[-1 +
θ2 ]
2 (13.5.3)
2θcos () 2πf σe
Khi θ> 0, bạn có thể chứng tỏ rằng mật độ quang phổ này là một hàm tăng của tần số điện động
Hình 13.9 hiển thị mật độ quang phổ cho quá trình MA (1) với θ = 0,9. † Vì
mật độ phổ đối xứng về tần số 0, chúng tôi sẽ chỉ vẽ chúng cho các tần số posi tive. Nhớ lại rằng
quá trình MA (1) này có mối tương quan âm tương đối lớn ở độ trễ 1 nhưng tất cả các mối tương
quan khác đều bằng không. Điều này được phản ánh trong quang phổ. Chúng tôi thấy
rằng mật độ mạnh hơn nhiều đối với tần số cao hơn so với tần số thấp. Các
quá trình có xu hướng dao động qua lại trên mức trung bình của nó. Lation oscil nhanh chóng này
là hành vi tần số cao. Chúng ta có thể nói rằng đường trung bình động ngăn chặn
các thành phần tần số thấp hơn của quá trình nhiễu trắng. Các nhà nghiên cứu đôi khi đề cập đến
loại quang phổ này như một quang phổ màu xanh lam vì nó nhấn mạnh các tần số cao hơn (
là, những ánh sáng có chu kỳ hoặc bước sóng thấp hơn), tương ứng với ánh sáng xanh lam trong nhóm
Hình 13,9 Mật độ phổ của quá trình MA (1) với θ = 0,9
phổ
Mật
độ
0123
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> theta = .9 # Đặt lại theta cho các ô MA (1) khác
> ARMAspec (model = list (ma = -theta))
Hình 13.10 hiển thị mật độ quang phổ của quá trình MA (1) với θ = 0,9.
Quá trình này có mối tương quan thuận ở độ trễ 1 với tất cả các mối tương quan khác bằng không.
Mức thuế chuyên nghiệp như vậy sẽ có xu hướng thay đổi chậm từ trường hợp này sang trường hợp
tiếp theo. Đây là hành vi tần số tự do thấp và được phản ánh trong hình dạng của quang phổ. Mật độ nhiều
mạnh hơn đối với tần số thấp hơn đối với tần số cao. Các nhà nghiên cứu đôi khi gọi
2
† Trong tất cả các đồ thị của mật độ phổ ARMA tiếp theo trong phần này, chúng tôi lấy =σe1.
Điều này chỉ ảnh hưởng đến tỷ lệ dọc của biểu đồ, không ảnh hưởng đến hình dạng của chúng.
Machine Translated by Google
Hình 13.10 Mật độ phổ của quá trình MA (1) với θ = 0,9
phổ
Mật
độ
0123
Mật độ phổ đối với mô hình MA (2) có thể thu được tương tự. Đại số dài hơn một chút,
nhưng biểu thức cuối cùng là
= 2 2
S f () [1 2θ1+ + -θ2 () - cos () 2πf4πf
2θ1 1 θ2 2θ2σe
] - cos () (13.5.4)
Hình 13.11 cho thấy một đồ thị có mật độ như vậy khi θ1 = 1 và θ2 = 0,6. Các cies
thường xuyên trong khoảng 0,1 đến 0,18 có mật độ đặc biệt nhỏ và có rất ít
mật độ dưới tần số 0,1. Tần số cao hơn dần dần đi vào hình ảnh,
với các thành phần tuần hoàn mạnh nhất ở tần số cao nhất.
Hình 13.11 Mật độ phổ của quá trình MA (2) với θ1 = 1 và θ2 = 0,6
phổ
Mật
độ
01234567
Để tìm mật độ quang phổ cho các mô hình AR, chúng tôi sử dụng Công thức (13.4.8) “ngược”. Cái đó
là, chúng tôi xem quá trình nhiễu trắng là một quá trình lọc tuyến tính của quá trình AR. Nhớ
lại mật độ quang phổ của chuỗi MA (1), điều này cho
= 2
1 φ2 2φcos () 2πf S f () ]σe
+ [- (13.5.5)
2
σe
S f ()
= ------------------------------------------------- -
(13,5,6)
1 φ2 - + 2φcos () 2πf
Như hai biểu đồ tiếp theo minh họa, mật độ phổ này là một hàm giảm của tần số tự do khi φ> 0,
trong khi mật độ phổ tăng khi φ <0.
Hình 13.12 Mật độ phổ của một quá trình AR (1) với φ = 0,9
phổ
Mật
độ
100
80
60
40
20
0
> phi = 0.9 # Đặt lại giá trị của phi cho các kiểu AR (1) khác
> ARMAspec (model = list (ar = phi))
Machine Translated by Google
Hình 13.13 Mật độ phổ của một quá trình AR (1) với φ = 0,6
phổ
Mật
độ
0123456
Đối với mật độ quang phổ AR (2), chúng tôi lại sử dụng Công thức (13.4.8) ngược lại cùng với
kết quả MA (2) để thu được
2
σe
S f ()
= ------------------------------------------------- -------------------------------------------------- ------------------------
(13.5.7)
2
2 + + - φ2 cos
1 φ1 2φ1 1 φ2
- () () 2πf -2φ2
cos () 4πf
Cũng giống như các thuộc tính tương quan, mật độ phổ cho mô hình AR (2) có thể
thể hiện nhiều hành vi khác nhau tùy thuộc vào giá trị thực của hai tham số φ.
Các vật trưng bày 13.14 và 13.15 hiển thị hai mật độ quang phổ AR (2) hiển thị rất khác nhau
hành vi ferent của đỉnh trong một trường hợp và đáy trong một trường hợp khác.
Hình 13.14 Mật độ phổ của quá trình AR (2): φ1 = 1,5 và φ2 = 0,75
50
30
phổ
Mật
độ
10
0
Jenkins và Watts (1968, trang 229), đã lưu ý rằng các hình dạng quang phổ khác nhau đối với
phổ AR (2) được xác định bởi sự bất bình đẳng
φ1 1 φ2
- 4φ2
() < (13.5.8)
và các kết quả được tóm tắt tốt nhất trong phần hiển thị trong Phụ lục 13.16. Trong màn hình này,
đường cong đứt gãy là đường biên giới giữa các vùng của rễ thực và gốc phức của
Phương trình đặc tính AR (2). Các đường cong đặc được xác định từ bất đẳng thức
cho trong Công thức (13.5.8).
Hình 13.15 Mật độ phổ của quá trình AR (2) với φ1 = 0,1 và φ2 = 0,4
phổ
Mật
độ
01234
Hình 13.16 AR (2) Giá trị tham số cho các dạng mật độ phổ khác nhau
1,0
φ1 1 φ2
- 4φ2
() =
Tân sô cao
0,5
2 = 0
φ1 4φ2 +
0,5
phổ đỉnh
1,0
2 1 0 1 2
φ1 1 φ2
- –
()
4φ2 =
φ1
Machine Translated by Google
Lưu ý rằng Jenkins và Watts cũng đã chỉ ra rằng tần số f0 mà đỉnh hoặc
máng xảy ra sẽ đáp ứng
φ1 1 φ2
() -
cos (2πf 0 )
- = -------------------------
(13,5,9)
4φ2
Người ta thường cho rằng các gốc phức có liên quan đến một phổ đỉnh. Nhưng mà
lưu ý rằng có một vùng nhỏ của các giá trị tham số nơi các gốc phức tạp nhưng
phổ tần số cao hoặc tần số thấp không có đỉnh trung gian.
Kết hợp những gì chúng ta biết cho mô hình MA (1) và AR (1), chúng ta có thể dễ dàng thu được
mật độ tral đặc biệt cho mô hình hỗn hợp ARMA (1,1)
= 1 θ2 - + 2θcos () 2πf 2
S f () -------------------------------------------------- σe
(13,5.10)
1 φ2 - + 2φcos () 2πf
Hình 13.17 cung cấp một ví dụ về phổ cho mô hình ARMA (1,1) với φ =
0,5 và θ = 0,8.
Hình 13.17 Mật độ phổ của ARMA (1,1) với φ = 0,5 và θ = 0,8
1,2
0,8
0,4
phổ
Mật
độ
0,0
ARMA (p, q)
Đối với trường hợp ARMA (p, q) chung , mật độ phổ có thể được biểu thị theo
Các đa thức đặc trưng AR và MA như
2– πif 2
= (θ e )
----------------------
(13.5.11)
S f () 2 σe
2–
πif (φ e )
Machine Translated by Google
Điều này có thể được biểu thị thêm về gốc tương hỗ của các đa thức này, nhưng
chúng tôi sẽ không theo đuổi những biểu hiện ở đây. Loại mật độ quang phổ này thường được gọi là
thành một mật độ quang phổ hợp lý.
Vì các quy trình ARMA theo mùa chỉ là các quy trình ARMA đặc biệt, tất cả các quy trình ARMA trước đây của chúng tôi
công việc sẽ tiếp tục ở đây. Có thể coi các mô hình thời vụ đa số đang áp dụng
hai bộ lọc tuyến tính liên tiếp. Chúng tôi sẽ chỉ đưa ra hai ví dụ.
Xem xét quy trình được xác định bởi mô hình AR theo mùa
-
1 - φB 1 ΦB12 (()) Yt et = (13.5.12)
Thao tác hai yếu tố riêng biệt sẽ mang lại lợi nhuận
2
σe
S f ()
= ------------------------------------------------- -------------------------------------------------- ---------------------
(13.5.13)
1 φ2
+ 2φcos
[- () 2πf 1 Φ2 [] - + 2Φcos () 2π12f ]
Một ví dụ về quang phổ này được thể hiện trong Hình 13.18, trong đó φ = 0,5, Φ = 0,9 và s =
12. Tính theo mùa được phản ánh qua nhiều đợt tăng đột biến với cường độ giảm dần tại các mốc
thường xuyên 0, 1/12, 2/12, 3/12, 4/12, 5/12 và 6/12.
= -
Yt ()) 1et- θB 1 ΘB12 ( (13.5.14)
= 2
S f () 1 θ2 [-
+ 2θcos () 2πf 1 Θ2 []
2Θcos
- 2π12f
+ (]) σe (13.5.15)
Hình 13.19 cho thấy mật độ phổ này đối với các giá trị tham số θ = 0,4 và Θ = 0,9.
Hình 13.18 Mật độ phổ của AR theo mùa với φ = 0,5, Φ = 0,9, s = 12
phổ
Mật
độ
400
300
200
100
0
Hình 13.19 Mật độ phổ của MA theo mùa với θ = 0,4, Θ = 0,9, s = 12
phổ
Mật
độ
01234567
Để giới thiệu phần này, chúng tôi xem xét một chuỗi thời gian với các thuộc tính đã biết.
Giả sử rằng chúng ta mô phỏng một mô hình AR (1) với φ = 0,6 độ dài n = 200. Hình 13.13
trang 336 cho thấy mật độ quang phổ lý thuyết của một chuỗi như vậy. Mật độ phổ mẫu cho
loạt mô phỏng của chúng tôi được hiển thị trong Hình 13.20, với mật độ tral lý thuyết
mịn được thể hiện dưới dạng một đường chấm. Ngay cả với mẫu có kích thước 200, mật độ
phổ của mẫu rất thay đổi từ điểm tần số này sang điểm tần số tiếp theo. Đây chắc chắn
không phải là một ước tính có thể chấp nhận được về phổ lý thuyết cho quá trình này.
Chúng ta phải điều tra các thuộc tính lấy mẫu của mật độ phổ mẫu để hiểu được hành vi mà
chúng ta thấy ở đây.
Để khảo sát các đặc tính lấy mẫu của mật độ phổ mẫu, chúng ta bắt đầu với trường hợp
đơn giản nhất, trong đó chuỗi thời gian {Yt } là nhiễu trắng bình thường bằng 0 với biến
thiên γ0. Nhớ lại điều đó
^ 2 N ^ 2 N
A - và B -
f = Yt cos () 2πtf f = N Yt sin () 2πtf (13.6.1)
n
t 1 = t 1 =
^ ^
A
Hiện tại, chỉ xem xét các tần số Fourier khác không f = j / n <½. f Vì và
B f là các hàm tuyến tính của chuỗi thời gian {Yt }, chúng đều có phân phối
chuẩn. Chúng ta có ^thể đánh
^ giá giá trị trung bình và phương sai bằng cách sử
A trực Bgiao của cosin và sin . Chúng tôi cũng có thể sử dụng
dụng các thuộc tính f f ^ ^
Một thuộc tính trực giao để chỉ ra rằng và không Btương
f quan và do đó không tách rời
13.6 Tính chất lấy mẫu của mật độ phổ mẫu 341
vết lõm vì chúng cùng biến đổi bình thường. Tương ^tự, có thể
^ chỉ ra rằng đối với bất kỳ hai
^ ^
tần số Fourier riêng biệt f1 và f2, Một , Một , B B
, và cùng độc lập.
f1 f2 f1 f2
Hình 13.20 Mật độ phổ mẫu cho quy trình AR (1) được mô phỏng
15
10
5
mẫu
phổ
Mật
độ
0
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (271435); n = 200; phi = -0,6
> y = arima.sim (model = list (ar = phi), n = n)
> sp = spec (y, log = 'no', xlab = 'Frequency',
ylab = 'Mật độ phổ mẫu', sub = '')
> lines (sp $ freq, ARMAspec (model = list (ar = phi), freq = sp $ freq, plot = F) $
spec, lty = 'dotted'); abline (h = 0)
Hơn nữa, chúng ta biết rằng bình phương của một chuẩn tắc chuẩn có bution chi
bình phương với một bậc tự do và tổng của các biến chi bình phương độc lập
là chi-bình phương được phân phối với các bậc tự do được cộng lại với nhau. Vì S (f) = γ0, chúng tôi
có
N ^ ^
2 +B
2S ^ ( ) =
f
[( A)
-------- ( ) 2 ]
f
------------
(13.6.2)
f 2γ0 S f ()
^ ^
f 1 S và
S () f2
() độc lập với f1 f2 (13.6.3)
ES ^ [ ] ( ) f = S f () (13.6.4)
và
Var S ^ [ ] ( ) f S2 = ( ) f (13,6,5)
Machine Translated by Google
Phương trình (13.6.4) thể hiện thực tế mong muốn rằng mật độ quang phổ của mẫu là
công cụ ước lượng không chệch của mật độ quang phổ lý thuyết.
Thật không may, Công thức (13.6.5) cho thấy rằng phương sai không phụ thuộc vào
cỡ mẫu n. Ngay cả trong trường hợp đơn giản này, mật độ quang phổ của mẫu không phải là một
bộ ước lượng mật độ quang phổ lý thuyết. Nó không trở nên tốt hơn (nghĩa là có
phương sai) khi kích thước mẫu tăng lên. Lý do khiến mật độ quang phổ mẫu không đồng nhất về cơ
bản là thế này: Ngay cả khi chúng ta chỉ xem xét các tần số Fourier, 1 / n, 2 / n,…, chúng ta vẫn
cố gắng ước tính ngày càng nhiều “tham số”; nghĩa là S (1 / n), S (2 / n),… . Như mẫu
kích thước tăng lên, không có đủ điểm dữ liệu cho mỗi tham số để tạo ra bạn tình
nhất quán.
Trên thực tế, các kết quả được biểu thị trong Công thức (13.6.3) - (13.6.5) mang tính tổng quát hơn. Trong
các bài tập, chúng tôi yêu cầu bạn tranh luận rằng đối với bất kỳ tiếng ồn trắng nào — không nhất thiết là bình thường—
^ ^ ^ ^
Bfở
f thành
kết quả trung bình giữ chính xác và và Một
tạo S ()
f và 1 f2
S ()
Để nêu các kết quả tổng quát hơn, giả sử {Yt } là bất kỳ quá trình tuyến tính nào
Yt = +++…
et ψ1et 1– ψ2et 2– (13,6,6)
trong đó các e là độc lập và được phân phối giống nhau với giá trị trung bình và chung bằng 0
phương sai. Giả sử rằng hệ số ψ là hoàn toàn có thể tổng hợp được và cho f1 f2 là bất kỳ
tần số từ 0 đến ½. Sau đó, nó có thể được chỉ ra rằng khi kích thước mẫu tăng lên mà không
giới hạn
^ ^
2S ()
f1 f2
2S ()
---------------
và ---------------
(13,6,7)
S f1 () S f2 ()
hội tụ trong phân phối thành các biến ngẫu nhiên chi bình phương độc lập, mỗi biến có hai
bậc tự do.
Để khảo sát tính hữu ích của phép gần đúng dựa trên Công thức (13.6.7),
(13.6.4) và (13.6.5), chúng tôi sẽ hiển thị kết quả từ hai mô phỏng. Lần đầu tiên chúng tôi mô phỏng
1000 lần lặp lại của một chuỗi thời gian MA (1) với θ = 0,9, mỗi lần có độ dài n = 48. Màu trắng
loạt nhiễu được sử dụng để tạo mỗi chuỗi MA (1) được chọn độc lập từ một bution t-
distri với năm bậc tự do được chia tỷ lệ thành phương sai đơn vị. Từ loạt 1000, chúng tôi
đã tính được mật độ phổ 1000 mẫu.
Hình 13.21 cho thấy giá trị trung bình của 1000 mật độ quang phổ mẫu được đánh giá ở
24 tần số Fourier liên quan với n = 48. Đường liền nét là mật độ đặc tính lý thuyết.
Có vẻ như mật độ quang phổ của mẫu không thiên vị đối với hình ảnh xấp xỉ hữu ích
trong trường hợp này.
13.6 Tính chất lấy mẫu của mật độ phổ mẫu 343
• • • • • •
• •
•
• ••
• ••
••
0123
• •
•••
trung
bình
tính
phổ
mật
Ước
độ
• •
Để biết mã R mở rộng để tạo các Phần thi từ 13.21 đến 13.26, vui lòng xem tệp kịch bản Chương 13
được liên kết với sách này.
Hình 13.22 vẽ biểu đồ độ lệch chuẩn của mật độ quang phổ mẫu so với
1000 lần lặp lại. Theo phương trình (13.6.5), chúng tôi hy vọng rằng chúng phù hợp với
mật độ phổ ical theo định lý tại các tần số Fourier. Một lần nữa, sự gần đúng dường như là
khá chấp nhận được.
Hình 13.22 Độ lệch chuẩn của mật độ phổ mẫu: MA được mô phỏng (1), θ =
0,9, n = 48
• • • ••
• •
• •
•
•
• •
••
0123
••
••
chuẩn
tính
tiêu
lệch
phổ
mật
ước
của
độ
Độ
• • • •
0,1 0,2 0,3 0,4
Để kiểm tra hình dạng của phân bố mật độ phổ mẫu, chúng tôi đã xây dựng
Biểu đồ QQ so sánh các lượng tử quan sát được với các lượng tử có phân phối chi bình phương với
Machine Translated by Google
hai bậc tự do. Tất nhiên, chúng tôi có thể làm điều đó cho bất kỳ người nào trong số những người
yêu thích Fourier thường xuyên lui tới. Hình 13.23 cho thấy kết quả ở tần số 15/48. Thỏa thuận với
phân phối chi bình phương dường như được chấp nhận.
• •
20
15
10 ••
•••
••
5
Phân
mẫu
phổ
bố 0 ••••••
•••••
0 5 10 15
Lượng tử Chi-Square
Chúng tôi lặp lại các hiển thị và tính toán tương tự khi mô hình thực sự là AR (2)
với φ1 = 1,5, φ2 = 0,75, và n = 96. Ở đây chúng tôi sử dụng nhiễu trắng bình thường. Kết quả là
hiển thị trong các Phần trưng bày 13,24, 13,25 và 13,26. Một lần nữa kết quả mô phỏng với n =
Các lần lặp lại 96 và 1000 dường như tuân theo những gì được đề xuất bởi lý thuyết giới hạn một cách khá
nghiêm túc.
Hình 13.24 Mật độ phổ mẫu trung bình: AR được mô phỏng (2), φ1
= 1,5, φ2 = 0,75, n = 96
50
• •
30
• •
• •
•• •
••
• •
10
0
trung
bình
tính
phổ
mật
Ước
độ
• • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • •• • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • • ••
13.6 Tính chất lấy mẫu của mật độ phổ mẫu 345
Hình 13.25 Độ lệch chuẩn của mật độ phổ mẫu: AR được mô phỏng (2),
φ1 = 1,5, φ2 = 0,75, n = 96
••
50
•
•
••
30
•
• •
• •
10
0 •
• •
• • • • • • • • • • • • • • • • • • • • • • • • • •••• • • • • • •
chuẩn
tính
lệch
phổ
mật
ước
của
độ
Độ
0,0 0,1 0,2 0,3 0,4 0,5
•
1,2
•
•
••
•
0,8
••••
••••••
••••••••••
0,4
•••••••••
••••
Phân
mẫu
phổ
bố
0,0
•••••
0 5 10 15
Lượng tử Chi-Square
Tất nhiên, không có kết quả nào trong số này cho chúng ta biết rằng mật độ phổ của mẫu
là một công cụ ước lượng có thể chấp nhận được của mật độ phổ lý thuyết cơ bản. Mật độ phổ mẫu
nói chung là gần như không thiên vị nhưng cũng không nhất quán, với khả năng biến thể quá
nhiều để trở thành một công cụ ước tính hữu ích như hiện tại. Tính độc lập gần đúng tại Fourier
tần số cũng giúp giải thích sự biến thiên cực độ trong hoạt động của mẫu
mật độ quang phổ.
Machine Translated by Google
Chương này giới thiệu các ý tưởng về mô hình hóa chuỗi thời gian dưới dạng tổ hợp tuyến tính của các sin
và cosin — cái gọi là phân tích quang phổ. Biểu đồ thời kỳ được giới thiệu như một công cụ để
tìm ra sự đóng góp của các tần số khác nhau trong biểu diễn phổ của
loạt. Các ý tưởng sau đó được mở rộng sang mô hình hóa với một loạt các cies thường xuyên liên tục.
Mật độ quang phổ của các mô hình ARMA đã được khám phá. Cuối cùng, các lỗi lấy mẫu của mật độ phổ mẫu
không phải là một công cụ ước lượng nhất quán về mật độ quang phổ lý thuyết, chúng ta phải tìm kiếm thêm
một công cụ ước tính có thể chấp nhận được. Đó là chủ đề của chương tiếp theo.
BÀI TẬP
13.3 Xem xét chuỗi được hiển thị trong Phụ lục 13.2 trên trang 320.
(a) Xác minh rằng hồi quy chuỗi trên cos (2πft) và sin (2πft) cho f = 4/96 pro vide các ước
(b) Sử dụng Công thức (13.1.5) ở trang 321 để thu được mối quan hệ giữa R, Φ, A
và B đối với thành phần cosin ở tần số f = 14/96. (Đối với thành phần này,
(c) Xác minh rằng hồi quy chuỗi trên cos (2πft) và sin (2πft) cho f = 14/96 pro vide các ước
(d) Xác minh rằng hồi quy chuỗi trên cos (2πft) và sin (2πft) cho cả f = 4/96
và f = 14/96 cùng cung cấp các ước lượng hoàn hảo về A4, B4, A14 và B14.
(e) Xác minh rằng hồi quy chuỗi trên cos (2πft) và sin (2πft) cho f = 3/96 và f =
13/96 cùng cung cấp các ước tính hoàn hảo về A3, B3, A13 và B13.
(f) Lặp lại phần (d) nhưng thêm cặp biến dự báo cosine-sin thứ ba bất kỳ
tần số Fourier khác. Xác minh rằng tất cả các hệ số hồi quy vẫn
13.4 Tạo hoặc chọn bất kỳ chuỗi nào có độ dài n = 10. Chứng tỏ rằng chuỗi có thể phù hợp
chính xác bằng sự kết hợp tuyến tính của đủ các đường cong cosine-sin tại các điểm nguội tự do
Fourier.
13.5 Mô phỏng chuỗi thời gian tín hiệu + nhiễu từ mô hình trong Công thức (13.2.4) trên trang
323. Sử dụng cùng các giá trị tham số được sử dụng trong Phụ lục 13.4 trên trang 324.
(a) Vẽ biểu đồ chuỗi thời gian và tìm các chu kỳ. Bạn có thể nhìn thấy chúng không?
(b) Vẽ biểu đồ chu kỳ cho chuỗi mô phỏng. Bây giờ các chu kỳ đã rõ ràng chưa?
13.6 Chứng tỏ rằng hàm hiệp phương sai cho chuỗi được xác định bởi Công thức (13.3.1) trên
trang 327 được cho bởi biểu thức trong Công thức (13.3.2).
13.7 Hiển thị đại số thiết lập Phương trình (13.3.10) trên trang 329.
Machine Translated by Google
13.8 Chứng tỏ rằng nếu {Xt } và {Yt } là các dãy đứng yên độc lập, thì mật độ quang phổ của
{Xt + Yt } là tổng các mật độ quang phổ của {Xt } và {Yt }.
13.9 Chứng tỏ rằng khi θ> 0, mật độ phổ của quá trình MA (1) là hàm tăng của tần số, trong
khi đối với θ <0 thì hàm này giảm.
13.10 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình MA (1) với θ = 0,6. Giải thích ý
nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá trị chuỗi
thời gian.
13.11 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình MA (1) với θ = 0,8. Liên quan
đến các tác động của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.12 Chứng tỏ rằng khi φ> 0, mật độ phổ của quá trình AR (1) là một hàm giảm của tần số,
trong khi đối với φ <0, mật độ phổ tăng lên.
13.13 Vẽ đồ thị mật độ phổ lý thuyết cho chuỗi thời gian AR (1) với φ = 0,7. Liên quan đến
các tác động của hình dạng của quang phổ trên các đồ thị có thể có của các giá trị
chuỗi thời gian.
13.14 Vẽ đồ thị mật độ quang phổ lý thuyết cho chuỗi thời gian AR (1) với φ = 0,4.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.15 Vẽ đồ thị mật độ quang phổ lý thuyết cho một chuỗi thời gian MA (2) với θ1 = 0,5 và
θ2 = 0,9. Giải thích ý nghĩa của hình dạng của quang phổ trên các biểu đồ chuỗi thời
gian có thể có của các giá trị chuỗi.
13.16 Vẽ đồ thị mật độ quang phổ lý thuyết cho một chuỗi thời gian MA (2) với θ1 = 0,5 và θ2
= 0,9. Giải thích ý nghĩa của hình dạng của quang phổ trên các biểu đồ chuỗi thời
gian có thể có của các giá trị chuỗi.
13.17 Vẽ đồ thị mật độ quang phổ lý thuyết cho chuỗi thời gian AR (2) với φ1 = 0,1 và φ2 =
0,9. Giải thích ý nghĩa của hình dạng của quang phổ trên các biểu đồ chuỗi thời gian
có thể có của các giá trị chuỗi.
13.18 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình AR (2) với φ1 = 1,8 và φ2 = 0,9.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.19 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình AR (2) với φ1 = 1 và φ2 = 0,8.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.20 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình AR (2) với φ1 = 0,5 và φ2 = 0,4.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.21 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình AR (2) với φ1 = 0 và φ2 = 0.8. Giải
thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá trị
chuỗi thời gian.
13.22 Vẽ đồ thị mật độ quang phổ lý thuyết cho quá trình AR (2) với φ1 = 0.8 và φ2 = 0.2.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
13.23 Vẽ đồ thị mật độ phổ lý thuyết cho chuỗi thời gian ARMA (1,1) với φ = 0,5 và θ = 0,8.
Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có của các giá
trị chuỗi thời gian.
Machine Translated by Google
13.24 Vẽ đồ thị mật độ phổ lý thuyết cho quá trình ARMA (1,1) với φ = 0,95 và θ =
0,8. Giải thích ý nghĩa của hình dạng của quang phổ trên các đồ thị có thể có
của các giá trị chuỗi thời gian.
⁄ 2 +Xt
13.25 Gọi {Xt } là chuỗi thời gian đứng yên và {Yt } được xác định bởi Yt = () (a) TìmXthàm
1– .
truyền công suất cho bộ lọc tuyến tính này. (b) Đây có phải là bộ lọc nhân quả không?
(c) Vẽ đồ thị hàm truyền công suất và mô tả tác dụng của việc sử dụng bộ lọc này.
Đó là, tần số nào sẽ được giữ lại (nhấn mạnh) và tần số nào sẽ được khử
nhấn mạnh (giảm độ đậm) bởi bộ lọc này?
-
13.26 Gọi {Xt } là một chuỗi thời gian đứng yên và đặt {Yt } được xác định bởi Yt = Xt Xt 1– .
(a) Tìm hàm truyền công suất cho bộ lọc tuyến tính này. (b)
truyền công suất và mô tả tác dụng của việc sử dụng bộ lọc này.
Đó là, tần số nào sẽ được giữ lại (nhấn mạnh) và tần số nào sẽ được khử
nhấn mạnh (giảm độ đậm) bởi bộ lọc này?
+ định
13.27 Gọi {Xt } là một chuỗi thời gian đứng yên và cho Yt = () ⁄ 3 xác + Xt 1+ Xt Xt 1–
{Yt }. (a) Tìm hàm truyền công suất cho bộ lọc tuyến tính này.
(b) Đây có phải là bộ lọc nhân quả không? (c) Vẽ đồ thị hàm
truyền công suất và mô tả tác dụng của việc sử dụng bộ lọc này.
Đó là, tần số nào sẽ được giữ lại (nhấn mạnh) và tần số nào sẽ được khử
nhấn mạnh (giảm độ đậm) bởi bộ lọc này?
13.28 Gọi {Xt } là một chuỗi thời gian đứng yên và cho Yt = () ⁄ 3+ Xt Xt 1–
+ Xt 2– định nghĩa
{Yt }. (a) Chứng tỏ rằng chức năng truyền công suất của bộ lọc này giống như nguồn điện
chức năng truyền của bộ lọc được xác định trong Bài tập 13.27.
-
Xtđịnh
13.29 Gọi {Xt } là một chuỗi thời gian đứng yên và cho Yt = xác Xt {Yt
1– }.
(a) Tìm hàm truyền công suất cho bộ lọc tuyến tính này.
(b) Vẽ đồ thị hàm truyền công suất và mô tả tác dụng của việc sử dụng bộ lọc này.
Đó là, tần số nào sẽ được giữ lại (nhấn mạnh) và tần số nào sẽ được khử
nhấn mạnh (giảm độ đậm) bởi bộ lọc này?
13.30 Gọi {Xt } là một chuỗi thời gian đứng yên và đặt {Yt } được xác định bởi Yt
+ =) ⁄ 3. Xt 1–
( Xt 1+ 2Xt
- (a) Tìm hàm truyền công suất cho bộ lọc tuyến tính này.
(B) Vẽ đồ thị của hàm truyền công suất và mô tả hiệu quả của việc sử dụng bộ lọc này.
Đó là, tần số nào sẽ được giữ lại (nhấn mạnh) và tần số nào sẽ được khử
nhấn mạnh (giảm độ đậm) bởi bộ lọc này?
Machine Translated by Google
Phụ lục J: Tính trực giao của chuỗi Cosine và sin 349
13.31 Giả sử rằng {Yt } là một quá trình nhiễu trắng không nhất thiết là bình thường. Sử dụng các
thuộc tính chính thống được đưa ra trong Phụ lục J để thiết lập những điều sau đây tại Fourier
tần số.
(a) Mật độ quang phổ của mẫu là một giá trị ước lượng không chệch của quang phổ lý thuyết
Tỉ trọng.
^ ^
(b) Các biến A và B
f1 f 2 không tương quan với bất kỳ tần số Fourier nào f1, f2.
^ ^
(c) Nếu tần số Fourier f1 f2, thì các biến số Một và A là không liên quan.
f f 1 2
13.32 Thực hiện phân tích mô phỏng tương tự như các biến được báo cáo trong Phần 13.21, 13.22,
13,23 và 13,24. Sử dụng mô hình AR (2) với φ1 = 0,5, φ2 = 0,8 và n = 48. Hãy lặp
lại chuỗi 1000 lần.
(a) Hiển thị mật độ phổ mẫu trung bình theo tần số và so sánh với
lý thuyết mẫu lớn.
(b) Hiển thị độ lệch chuẩn của mật độ phổ mẫu theo tần số
và so sánh nó với lý thuyết mẫu lớn.
(c) Hiển thị đồ thị QQ của mật độ phổ mẫu được chia tỷ lệ thích hợp so với lý
thuyết mẫu lớn ở một số tần số. Thảo luận về kết quả của bạn.
13.33 Thực hiện phân tích mô phỏng tương tự như các phân tích được báo cáo trong các Phần trình bày 13.21, 13.22,
(a) Hiển thị mật độ phổ mẫu trung bình theo tần số và so sánh với
kết quả dự đoán theo lý thuyết mẫu lớn.
(b) Hiển thị độ lệch chuẩn của mật độ phổ mẫu theo tần số
và so sánh nó với kết quả được dự đoán bởi lý thuyết mẫu lớn.
(c) Hiển thị biểu đồ QQ của mật độ quang phổ mẫu được chia tỷ lệ thích hợp và
so sánh với các kết quả được dự đoán bởi lý thuyết mẫu lớn tại một vài cies thường xuyên.
13.34 Mô phỏng chuỗi thời gian tiếng ồn trắng bình thường, có giá trị trung bình bằng 0, có độ dài n =
1000. Hiển thị biểu đồ chu kỳ của chuỗi và nhận xét về kết quả.
N
j =
cos 2π -- 0 nếu j 0 (13.J.1)
t n
t 1 =
N
j
tội 2π --t 0 = (13.J.2)
N
t 1 =
N
j k
cos 2π --t tội 2π --t 0 = (13.J.3)
N N
t 1 =
Machine Translated by Google
N
-
N nếu jk = ( j 0 hoặc n ⁄ 2 )
j k 2
cos 2π --t cos 2π --t = (13.J.4)
t 1 =
N N N nếu jk = = 0
0 nếu jk
N
-
N
k nếu jk = ( j 0 hoặc n ⁄ 2 )
j = 2
tội lỗi 2π --
tội lỗi
2π -- (13.J.5)
t n t n
t 1 =
0 nếu jk
Những điều này được chứng minh dễ dàng nhất bằng cách sử dụng định lý DeMoivre
cùng với kết quả cho tổng của một chuỗi hình học hữu hạn, cụ thể là
N
rj r 1 ()
rn -
= ---------------------
(13.J.8)
1 - r
j 1 =
CHƯƠNG 14
ƯỚC LƯỢNG SPECTRUM
Một số phương pháp thay thế để xây dựng các công cụ ước lượng hợp lý của độ lớn quang phổ đã
được đề xuất và nghiên cứu trong nhiều năm. Chúng tôi sẽ chỉ làm nổi bật một số
chúng đã được chấp nhận nhiều nhất dựa trên sức mạnh tính toán ngày nay.
Cái gọi là ước tính phi tham số của mật độ quang phổ (nghĩa là làm mịn
mật độ phổ của mẫu) giả định rất ít về hình dạng của lớp quang phổ “thật”. Ước lượng tham số
giả định rằng một mô hình tự phục hồi — có lẽ là cao
đặt hàng — cung cấp sự phù hợp thích hợp với chuỗi thời gian. Mật độ quang phổ ước tính sau đó là
dựa trên mật độ quang phổ lý thuyết của mô hình AR được trang bị. Một số phương pháp khác là
đã chạm vào một thời gian ngắn.
Ý tưởng cơ bản ở đây là hầu hết các mật độ quang phổ sẽ thay đổi rất ít so với
các khoảng tần số. Như vậy, chúng ta có thể tính trung bình các giá trị của mẫu
mật độ phổ trong các khoảng tần số nhỏ để giảm độ biến thiên. Đang làm
vì vậy, chúng tôi phải lưu ý rằng chúng tôi có thể đưa ra độ chệch vào các ước tính nếu trên thực tế,
mật độ quang phổ lý thuyết không thay đổi đáng kể trong khoảng thời gian đó. Sẽ có
hãy luôn cân bằng giữa việc giảm bớt sự thay đổi và đưa ra sự thiên vị. Chúng tôi sẽ là
yêu cầu sử dụng phán đoán để quyết định mức độ trung bình để thực hiện trong một trường hợp cụ thể.
Gọi f là một tần số Fourier. Cân nhắc lấy giá trị trung bình đơn giản của giá trị lân cận
các giá trị mật độ phổ mẫu tập trung vào tần số f và mở rộng m độ nguội tự do Fourier ở hai
bên của f. Chúng tôi đang lấy trung bình 2m + 1 giá trị của phổ mẫu và
mật độ quang phổ mẫu được làm mịn được cho bởi
_ m ^
1 j
S = ----------------
S - + (14.1.1)
( ) f
2m 1+ f N
j m– =
(Khi lấy giá trị trung bình cho các tần số gần điểm cuối của 0 và ½, chúng tôi coi biểu đồ
xung quanh là đối xứng khoảng 0 và ½.)
Nói chung hơn, chúng tôi có thể làm mịn phổ mẫu bằng hàm trọng lượng hoặc
cửa sổ quang phổ Wm (f) với các thuộc tính
351
Machine Translated by Google
Wm ( ) k ≥ 0
Wm ( ) k Wm = () –
k
(14.1.2)
m
Wm ( ) k
1 =
k m– =
và có được một công cụ ước tính mật độ quang phổ được làm mịn như
_ m ^ k
S - (14.1.3)
( ) f = Wm ( ) k S f
N+
k m– =
Giá trị trung bình đơn giản được hiển thị trong Công thức (14.1.1) tương ứng với cửa sổ tral thông số kỹ
thuật hình chữ nhật
1
Wm ( ) k
---------------- = cho m ≤ k ≤ m (14.1.4)
2m 1+
Vì lý do lịch sử, cửa sổ quang phổ này thường được gọi là cửa sổ quang phổ Daniell theo tên PJ
Daniell, người lần đầu tiên sử dụng nó vào những năm 1940.
Ví dụ, hãy xem xét chuỗi AR (1) được mô phỏng có mật độ phổ mẫu
được hiển thị trong Phụ lục 13.20 trên trang 341. Phụ lục 14.1 hiển thị mẫu được làm mịn
quang phổ sử dụng cửa sổ Daniell với m = 5. Quang phổ thực một lần nữa được hiển thị dưới dạng
đường chấm chấm. Việc làm mịn đã làm giảm một số biến thể mà chúng tôi thấy trong mẫu
quang phổ.
Hình 14.1 Phổ làm mịn bằng cách sử dụng cửa sổ Daniell Với m = 5
02468
được
mịn
làm
mẫu
phổ
Mật
độ
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (271435); n = 200; phi = -0,6
> y = arima.sim (model = list (ar = phi), n = n)
> k = kernel ('daniell', m = 5)
Machine Translated by Google
> sp = spec (y, kernel = k, log = 'no', sub = '', xlab = 'Frequency',
ylab = 'Smooth Sample Spectral Density')
> dòng (sp $ freq, ARMAspec (model = list (ar = phi), freq = sp $ freq,
plot = F) $ spec, lty = 'dotted')
Nếu chúng ta làm cho cửa sổ làm mịn rộng hơn (nghĩa là tăng m), chúng ta sẽ giảm
sự biến đổi thậm chí còn hơn nữa. Hình 14.2 cho thấy phổ được làm mịn với sự lựa chọn của m =
15. Mối nguy hiểm với việc làm mịn ngày càng nhiều là chúng ta có thể mất các chi tiết quan trọng trong
phổ và giới thiệu sự thiên vị. Số lượng làm mịn cần thiết sẽ luôn là một thử nghiệm và sai
lầm trong phán đoán, nhận ra sự cân bằng giữa việc giảm bớt sự thay đổi
với chi phí giới thiệu sự thiên vị.
Hình 14.2 Quang phổ được làm mịn bằng cách sử dụng cửa sổ Daniell Với m = 15
1234567
được
mịn
làm
mẫu
phổ
Mật
độ
Nhiều cửa sổ quang phổ khác đã được đề xuất trong nhiều năm. Đặc biệt,
sự thay đổi đột ngột ở các điểm cuối của cửa sổ Daniell có thể được làm dịu bằng cách làm cho
trọng lượng giảm ở các điểm cực trị. Cái gọi là cửa sổ quang phổ Daniell đã sửa đổi sim ply
xác định hai trọng số cực trị khi một nửa các trọng số khác vẫn giữ lại sai số prop mà các
trọng số tổng là 1. Biểu đồ ngoài cùng bên trái trong Hình 14.3 cho thấy sự thay đổi
Cửa sổ quang phổ Daniell cho m = 3.
Machine Translated by Google
Phụ lục 14.3 Cửa sổ quang phổ Daniell được sửa đổi và các biến đổi của nó
(k)
W (k)
W (k)
W
0,15
0,10
0,05
0,00 0,15
0,10
0,05
0,00 0,15
0,10
0,05
0,00
3 1 1 2 3 6 2 2 4 6 5 0 5
k k k
Một cách phổ biến khác để sửa đổi các cửa sổ quang phổ là sử dụng chúng để làm mịn
biểu đồ chu kỳ nhiều hơn một lần. Về mặt toán học, điều này tương đương với việc sử dụng tích chập của
các cửa sổ quang phổ. Nếu cửa sổ quang phổ Daniell sửa đổi với m = 3 được sử dụng hai lần
(biến đổi với chính nó), trên thực tế, chúng tôi đang sử dụng (gần như) cửa sổ hình tam giác
được hiển thị trong màn hình chính giữa của Phụ lục 14.3. Việc làm mịn thứ ba (với m = 3) được cho
phép sử dụng cửa sổ quang phổ hiển thị trong bảng điều khiển ngoài cùng bên phải. Cửa sổ quang phổ này
xuất hiện giống như một đường cong bình thường. Chúng tôi cũng có thể sử dụng các giá trị khác nhau của m trong các
cửa sổ quang phổ — có thể có một hoặc hai lần chập — trong các ví dụ của chúng tôi. †
Nếu mật độ quang phổ lý thuyết không thay đổi nhiều trong dải tần số
rằng cửa sổ làm mịn bao phủ, chúng tôi hy vọng công cụ ước tính được làm mịn gần như không
thiên vị. Một phép tính sử dụng phép tính gần đúng này, các thuộc tính của cửa sổ quang phổ
trong Công thức (14.1.2), và một mở rộng Taylor ngắn tạo ra
_ m k
E [
S ( ) - +
f ] ≈ Wm ( ) k Sf
N
k m– =
m 2
+
k
+ -
-1 k2 S ′
Wm ( ) k S f () --S ′ ( ) f ′ ( ) f
N N
k m– =
hoặc
_ 1 m
E [
S ≈
] ( ) f S f () +
----- ------------
S ′ ′ ( ) f
(14.2.1)
k2Wm ( ) k
2
n2 k m– =
† Trong R, hạt nhân Daniell đã sửa đổi là hạt nhân mặc định để làm mịn phổ mẫu, và m
có thể được chỉ định bằng cách chỉ định span = 2m + 1 trong hàm cụ thể trong đó span là một
viết tắt của đối số nhịp.
Machine Translated by Google
Vì vậy, một giá trị gần đúng cho độ lệch trong mật độ quang phổ được làm mịn được đưa ra bởi
m
1
≈ ----- ------------
S ′ ′ ( ) f
(14.2.2)
k2Wm ( ) k
Thiên kiến
n2 2
k m– =
Đối với cửa sổ quang phổ hình chữ nhật Daniell, chúng ta có
m
1 2 m3 m2 m
----- = --------------------------- ------
+ + --- 6
------
(14.2.3)
k2Wm ( ) k
n2 k m– = n2 ( ) 2m 1+
3 2
Sử dụng thực tế rằng các giá trị mật độ phổ mẫu ở các tần số Fourier là
xấp xỉ không tương quan và Phương trình (13.6.5) trên trang 341, chúng ta cũng có thể nhận được một
xấp xỉ hữu ích cho phương sai của mật độ quang phổ được làm mịn như
_ m m
2 k 2
Var Sf [ ≈ - +
] ( ) Wm () k Var S ^ f
N ≈ Wm () k S2 ( ) f
k m– = k m– =
để có thể
_ m
Var S[ ] ( ) f S2 ( ) f Wm 2 () k (14.2.4)
≈
k m– =
m
2 1
Lưu ý rằng đối với cửa sổ quang phổ Daniell hoặc hình chữ nhật, Wm () k
---------------- =
, vì thế
2m 1+
miễn là m ∞ (như n ∞) thì chúng ta có tính nhất quán. k m– =
Nói chung, chúng ta yêu cầu rằng khi n ∞, chúng ta có m / n 0 để giảm độ lệch và m ∞ để
giảm phương sai. Như một vấn đề thực tế, kích thước mẫu n thường là cố định và chúng ta phải
chọn m để cân bằng giữa việc xem xét độ chệch và phương sai.
Jenkins và Watts (1968) đề nghị thử ba giá trị khác nhau của m. Một giá trị nhỏ
sẽ đưa ra ý tưởng về các đỉnh lớn trong S (f) nhưng có thể hiển thị một số lượng lớn
đỉnh, nhiều trong số đó là giả. Một giá trị lớn của m có thể tạo ra một đường cong là
có khả năng quá trơn tru. Khi đó có thể đạt được thỏa hiệp với giá trị thứ ba của m.
Chatfield (2004, trang 135) đề nghị sử dụng mn = . Thường thì việc thử các giá N ,
N ,trị cho Nm là 2 và ½ sẽ giúp bạn hiểu rõ hơn về hình dạng của quang phổ thực. Kể từ khi
chiều rộng của cửa sổ giảm khi m giảm, điều này đôi khi được gọi là đóng cửa sổ.
Như Hannan (1973, trang 311) nói, “Kinh nghiệm là người thầy thực sự và không thể có được từ
sách."
Trong độ chệch gần đúng được đưa ra bởi Công thức (14.2.2), nhận thấy rằng hệ số S ′ ′ ( ) f phụ thuộc
trên độ cong của mật độ quang phổ thực và sẽ có độ lớn lớn nếu có
đỉnh nhọn ở S (f) gần f nhưng sẽ nhỏ khi S (f) tương đối phẳng gần f. Điều này làm cho
cảm giác trực quan, như là động lực để làm mịn mật độ phổ mẫu
giả định rằng mật độ thực thay đổi rất ít trong phạm vi tần số được sử dụng trong
cửa sổ quang phổ. Căn bậc hai của yếu tố khác trong độ lệch gần đúng từ
Machine Translated by Google
Phương trình (14.2.2) đôi khi được gọi là băng thông, BW, của cửa sổ quang phổ,
cụ thể là
m
BW -1
= k2Wm ( ) k (14.3.1)
N
k m– =
Như chúng ta đã lưu ý trong Công thức (14.2.3), đối với cửa sổ Daniell, BW này sẽ có xu hướng bằng không vì n
∞ miễn là m / n 0. Từ Công thức (14.1.2) ở trang 352, một cửa sổ quang phổ có
các đặc tính toán học của hàm mật độ xác suất trung bình bằng 0 rời rạc, vì vậy
BW được xác định ở đây có thể được xem là tỷ lệ thuận với độ lệch chuẩn của quang phổ
cửa sổ. Như vậy, đó là một cách để đo chiều rộng của cửa sổ quang phổ. Nó được coi là
thước đo chiều rộng của dải tần số được sử dụng để làm mịn mẫu
mật độ quang phổ. Nếu quang phổ thực chứa hai cực đại gần với
băng thông
_ của cửa sổ quang phổ, các đỉnh đó sẽ được làm mịn với nhau khi chúng ta tính
toán S ( ) f và chúng sẽ không được coi là các đỉnh riêng biệt. Cần lưu ý rằng có
nhiều định nghĩa thay thế về băng thông được đưa ra trong tài liệu về chuỗi thời gian. Priestley
(1981, trang 513–
528) dành thời gian đáng kể để thảo luận về những ưu điểm và nhược điểm
của các định nghĩa khác nhau.
Các đặc tính phân bố gần đúng của mật độ phổ được làm mịn có thể được sử dụng dễ dàng để
thu được khoảng tin cậy cho phổ. Phổ mẫu được làm mịn
mật độ là sự kết hợp tuyến tính của các đại lượng có phân phối chi-bình phương gần đúng.
Một phép gần đúng phổ biến trong trường hợp này là sử dụng một số bội số khác
phân phối chi bình _phương với bậc tự do thu được bằng phương tiện phù hợp và phương án
biến đổi. Giả sử ( S) f gần như không thiên vị với phương sai được đưa ra bởi Công thức (14.2.4),
phương tiện và phương sai phù hợp dẫn đến việc phân phối gần đúng
_
νS ( ) f
-------------
(14.4.1)
S f ()
bằng phân phối chi bình phương với bậc tự do cho bởi
2
ν = -------------------------------
(14.4.2)
m
2
() k
Wm
k m– =
2
Giả sử làχνphân vị thứ 100 (α / 2) của phân phối chi bình phương với ν
α ⁄, 2
bậc tự do, sự bất bình đẳng
_
νS ( ) f
2 < < 2
χν ------------- χν, 1 - α ⁄ 2
α ⁄, 2 S f ()
có thể được chuyển đổi thành câu lệnh có độ tin cậy 100 (1 - α)% cho S (f) như
Machine Translated by Google
_ _
νS ( ) f
νS ( ) f
------------------------ S
< <---------------- (14.4.3)
2 2
f () χν, 1 - α ⁄ 2 χν α ⁄, 2
Trong công thức này, độ rộng của khoảng tin cậy sẽ thay đổi theo tần số. Một _
xem xét Công thức (14.2.4) trên trang 355 cho thấy phương sai của S ( ) f đại khái là chuyên nghiệp
phần cho bình phương của giá trị trung bình của nó. Như chúng ta đã thấy trước đó trong Công thức (5.4.1) và (5.4.2) trên
trang 98, điều này gợi ý rằng chúng ta nên lấy logarit của quang phổ mẫu được làm mịn để ổn định
phương sai và thu được khoảng tin cậy với chiều rộng không phụ thuộc vào
nhật ký [
S ] ( ) f + log 2 χν, ≤ ≤nhật ký [ ] S f () log [ S ] ( ) f + nhật ký (14.4.4)
1 - α ⁄ 2 2 χν α ⁄, 2
Vì những lý do này, người ta thường vẽ biểu đồ logarit của các phổ ước lượng. Nếu chúng ta
làm lại Phụ lục 14.2 trên trang 353 theo thuật ngữ lôgarit, chúng tôi thu được màn hình hiển thị trong
Hình 14.4, trong đó chúng tôi cũng đã rút ra các giới hạn tin cậy 95% (có dấu chấm) và
mật độ phổ thực (gạch ngang) từ mô hình AR (1). Với một vài trường hợp ngoại lệ, các giới hạn ảnh
Phụ lục 14.4 Giới hạn độ tin cậy từ mật độ quang phổ được làm mịn
5.0
2.0
0,5
0,2
quang
mịn)
(Mật
Nhật
phổ
độ
ký
Hình 14.5 cho thấy một cách hiển thị ít lộn xộn hơn về các giới hạn tin cậy. Tại đây, khoảng
thời gian kết nối 95% và hướng dẫn băng thông được hiển thị ở góc trên bên phải —
"Chữ thập." Chiều dài theo chiều dọc cho chiều dài (chiều rộng) của khoảng tin cậy, trong khi
Machine Translated by Google
đoạn đường nằm ngang cho biết điểm trung tâm † của khoảng tin cậy và
chiều rộng (chiều dài) phù hợp với băng thông của cửa sổ quang phổ. Nếu bạn hình dung hướng dẫn
được đặt lại vị trí với các dấu thập có tâm trên quang phổ được làm mịn phía trên bất kỳ khoảng thời
gian tự do nào, bạn có một màn hình hiển thị trực quan về khoảng tin cậy theo chiều dọc cho phổ "thực"
mật độ ở tần số đó và hướng dẫn sơ bộ về mức độ làm mịn. Trong ví dụ mô phỏng này,
chúng tôi cũng hiển thị phổ thực dưới dạng một đường chấm.
Biểu đồ 14.5 Lôgarit của Quang phổ làm mịn từ Phụ lục 14.2
5.0
(Quang
mịn)
được
Nhật
làm
mẫu
phổ
ký
> sp = spec (y, span = 31, sub = '', xlab = 'Frequency', ylab
= 'Log (Smoothed Sample Spectrum)')
> dòng (sp $ freq, ARMAspec (model = list (ar = phi), sp $ freq,
plot = F) $ spec, lty = 'dotted')
Phần lớn các cuộc thảo luận trước đây đã giả định rằng tần suất quan tâm là
Các tần số Fourier. Điều gì xảy ra nếu đó không phải là trường hợp? Hình 14.6 hiển thị
biểu đồ chu vi của một dãy có độ dài n = 96 với hai thành phần sin-sin thuần túy tại tần
số f = 0,088 và f = 14/96. Mô hình chỉ đơn giản là
14
= 2π t (14.5.1)
t Yt 3 2 cos []π+() 0,088
sin -----96
Lưu ý rằng với n = 96, f = 0,088 không phải là tần số Fourier. Đỉnh cao với công suất thấp hơn ở
tần số Fourier f = 14/96 được chỉ rõ. Tuy nhiên, đỉnh ở f = 0,088 thì không
† Nói chung, điểm trung tâm không nằm giữa các điểm cuối như Công thức (14.4.4)
xác định khoảng tin cậy không đối xứng . Trong ví dụ này, sử dụng Daniell đã sửa đổi
cửa sổ với m = 15, ta có ν = 61 bậc tự do, do đó phân phối chi bình phương
được sử dụng hiệu quả là một phân phối chuẩn và khoảng tin cậy gần như đối xứng.
Machine Translated by Google
ở đó. Đúng hơn, công suất ở tần số này bị mờ trên một số tần số lân cận,
Hình 14.6 Biểu đồ tuần hoàn của Chuỗi có Đỉnh tại f = 0,088 và f = 14/96
hoàn
tuần
Biểu
đồ
200
150
100
50
0
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> t = 1: 96; f1 = 0,088; f2 = 14/96
> y = 3 * cos (f1 * 2 * pi * t) + sin (f2 * 2 * pi *
t)> hình chu kỳ (y); abline (h = 0)
Phân tích đại số † cho thấy rằng chúng ta có thể xem biểu đồ chu kỳ là một
mật độ quang phổ được hình thành với cửa sổ quang phổ hạt nhân Dirichlet được cho bởi
1
--sin () nπf
= ---------------------
D f () (14.5.2)
N sin () πf
Lưu ý rằng đối với tất cả các tần số Fourier f = j / n, D (f) = 0, vì vậy cửa sổ này không có tác dụng
gì đối với các tần số đó. Tuy nhiên, âm mưu của D (f) được đưa ra ở phía bên trái của
Hình 14.7 cho thấy “các thùy bên” đáng kể ở hai bên của đỉnh chính. Điều này sẽ
khiến nguồn điện ở các tần số không phải Fourier bị rò rỉ vào nguồn điện giả định ở gần đó
Băng bó là một phương pháp được sử dụng để cải thiện vấn đề với thùy bên. Nói nhỏ
liên quan đến việc giảm độ lớn dữ liệu ở cả hai đầu của chuỗi để các giá trị
di chuyển dần về phía trung bình dữ liệu bằng 0. Ý tưởng cơ bản là giảm các hiệu ứng cuối cùng
tính toán một phép biến đổi Fourier trên một chuỗi có độ dài hữu hạn. Nếu chúng ta tính toán biểu đồ
chu vi sau khi thu nhỏ chuỗi, hiệu quả là sử dụng hạt nhân Dirichlet đã sửa đổi
được hiển thị ở phía bên phải của Hình 14.7 cho n = 100. Bây giờ các thùy bên có
† Phụ lục K trên trang 381 cung cấp một số chi tiết.
Machine Translated by Google
Hình ảnh minh họa 14.7 Dirichlet Kernel và Dirichlet Kernel sau khi Tanking
1,0 1,0
0,6 0,6
DT
0,2 0,2
Dirichlet
Kernel
0,2 0,2
0.10 0,05 0,00 0,05 0,10 0.10 0,05 0,00 0,05 0,10
˜ nhỏ phổ biến nhất là dựa trên chuông côsin. Chúng tôi thay thế dòng
Hình thức thu
Y
origi nal Yt bằng,t bằng
˜
Y t ht Yt = (14.5.3)
1
= 2π ( t - 0,5 )
- 1 - cos -------------------------- (14.5.4)
ht
2
n
Đồ thị hình chuông côsin với n = 100 được cho ở phía bên trái của Hình 14.8. Một
côn phổ biến hơn nhiều được đưa ra bởi một chuông chia cosine áp dụng cho côn cosine
chỉ đến cực điểm của chuỗi thời gian. Côn chuông côsin tách ra được đưa ra bởi
1
- π ( t - 1 2⁄)
1 - cos -------------------------
cho 1 ≤ ≤tm
2
Tôi _
1
- π ( nt - 12 + ⁄ )
cho n m– 1+ ≤ ≤tn
m
1 - cos -----------------------------------
2
được gọi là côn chuông 100p% cosin với p = 2m / n. Một côn chuông côsin chia 10% là
được hiển thị ở phía bên phải của Hình 14.8 một lần nữa với n = 100. Lưu ý rằng có một
Độ côn 10% ở mỗi đầu, dẫn đến tổng độ côn là 20%. Trong thực tế, chuông chia cosine
vòi 10% hoặc 20% đang được sử dụng phổ biến.
Machine Translated by Google
Hình minh họa Chuông Cosine 14,8 và Chuông Cosine Tách 10% cho n = 100
Cosine
Chuông
Cosine
Chuông
tách
1,0
0,8
0,6
0,4
0,2
0,0
1,0
0,8
0,6
0,4
0,2
0,0
0 20 40 60 80 100 0 20 40 60 80 100
Chúng ta quay trở lại dữ liệu độ sáng sao biến đổi được khám phá lần đầu trên trang 325. Phần trình bày
14.9 hiển thị bốn biểu đồ chu kỳ của chuỗi này, mỗi biểu đồ có số lượng giảm dần khác nhau.
Đánh giá độ dài của khoảng tin cậy 95% được hiển thị trong
"Crosshairs", chúng tôi thấy rằng hai đỉnh được tìm thấy trước đó trong biểu đồ chu kỳ thô chưa được đánh dấu
ở các tần số f1 = 21/600 và f 2 = 25/600 rõ ràng là thật. Phân tích chi tiết hơn về
các cực đại nhỏ được hiển thị tốt nhất trong biểu đồ chu kỳ dưới cùng thực tế đều là sóng hài của
tần số f1 và f 2. Còn nhiều hơn nữa về chủ đề giảm rò rỉ và giảm độ côn trong Bloomfield
(2000).
Machine Translated by Google
Hình ảnh 14,9 Quang phổ sao biến đổi với các mức độ 0%, 10%, 20% và 50%
0%
01
1e
07
1e
10%
01
1e
07
1e
20%
01
1e
07
1e
50%
01
1e
07
1e
0,3 tần số
Machine Translated by Google
Trong các phần trước về ước lượng mật độ phổ, chúng tôi không đưa ra bất kỳ giả định nào về
dạng tham số của mật độ phổ thực. Tuy nhiên, một giải pháp thay thế
phương pháp để ước tính mật độ quang phổ sẽ là xem xét việc điều chỉnh AR, MA hoặc
Mô hình ARMA thành một chuỗi thời gian và sau đó sử dụng mật độ phổ của mô hình đó với các tham
số được kết hợp ước tính làm mật độ phổ ước tính của chúng tôi. (Mục 13.5, trang 332, thảo luận
mật độ quang phổ của các mô hình ARMA.) Thường thì các mô hình AR được sử dụng với
thứ tự được chọn để giảm thiểu tiêu chí AIC.
Ví dụ, hãy xem xét chuỗi AR mô phỏng với φ = 0,6 và n = 200 mà chúng ta
được sử dụng trong các Phần trưng bày 13.20, 14.1, 14.2 và 14.5. Nếu chúng tôi phù hợp với mô hình AR, việc chọn đơn đặt hàng
để giảm thiểu AIC và sau đó vẽ biểu đồ mật độ phổ ước tính cho mô hình đó, chúng tôi
thu được các kết quả như trong Hình 14.10.
Phụ lục 14.10 Ước tính mật độ quang phổ tự động hồi phục
10,0
5,0
2,0
1,0
0,5
tính
(Ước
AR)
Nhật
phổ
mật
độ
ký
Vì đây là dữ liệu mô phỏng, chúng tôi cũng hiển thị mật độ quang phổ thực dưới dạng chấm
hàng. Trong trường hợp này, thứ tự được chọn là p = 1 và mật độ phổ ước tính cho mật độ thực
rất thấp. Chúng tôi sẽ đưa ra một số ví dụ với chuỗi thời gian thực trong
Mục 14.8.
Machine Translated by Google
Một cách hữu ích để có được cảm nhận về phân tích quang phổ là sử dụng dữ liệu mô phỏng. Ở đây chúng tôi biết
câu trả lời là gì và có thể thấy hậu quả là gì khi chúng ta lựa chọn
cửa sổ quang phổ và băng thông. Chúng tôi bắt đầu với mô hình AR (2) có chứa
cực đại mạnh trong quang phổ của nó.
Mật độ quang phổ cho mô hình này có đỉnh ở khoảng f = 0,08, như được hiển thị trong
Hình 13.14 trên trang 336. Chúng tôi đã mô phỏng một chuỗi thời gian từ mô hình AR (2) này với các số hạng
nhiễu trắng cũng như không có tiếng ồn trắng với phương sai đơn vị và kích thước mẫu n = 100. Hình 14.11 cho thấy
ba mật độ phổ ước tính và mật độ thực như một vạch liền. Chúng tôi đã sử dụng cửa sổ
quang phổ Daniell modi fied với ba giá trị khác nhau cho span = 2m + 1 của 3, 9 và
15. Khoảng 3 cho ít làm mịn nhất và được thể hiện dưới dạng một đường chấm. Một
khoảng 9 được thể hiện dưới dạng đường đứt nét. Với span = 15, chúng tôi thu được kết quả làm mịn nhất và
đường cong này được hiển thị với một mẫu dấu chấm-gạch ngang. Các băng thông của ba quang phổ này
cửa sổ tương ứng là 0,018, 0,052 và 0,087. Hướng dẫn về khoảng tin cậy và độ rộng
dải được hiển thị chỉ áp dụng cho ước tính đường cong chấm. Hai người khác có
băng thông rộng hơn và khoảng tin cậy ngắn hơn. Ước tính dựa trên span = 9 là
có lẽ là tốt nhất, nhưng nó không đại diện cho đỉnh cao cho lắm.
50.0
5.0
0,5
0,1
tính)
(Mật
Nhật
ước
phổ
độ
ký
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (271435); n = 100; phi1 = 1,5; phi2 = -. 75
> y = arima.sim (model = list (ar = c (phi1, phi2)), n = n)
> sp1 = spec (y, spans = 3, sub = '', lty = 'dotted', xlab = 'Frequency',
ylab = 'Nhật ký (Mật độ phổ ước tính)')
> sp2 = spec (y, spans = 9, plot = F); sp3 = spec (y, spans = 15, plot = F)
> dòng (sp2 $ freq, sp2 $ spec, lty = 'dashed')
> dòng (sp3 $ freq, sp3 $ spec, lty = 'dotdash')
Machine Translated by Google
Chúng tôi cũng sử dụng ý tưởng ước lượng phổ tham số và để phần mềm chọn
mô hình AR tốt nhất dựa trên AIC nhỏ nhất. Kết quả là một mô hình AR (2) ước tính
với phổ thể hiện trong Hình 14.12. Đây là một đại diện rất tốt về
quang phổ cơ bản, nhưng tất nhiên mô hình thực sự là AR (2).
Hình 14.12 Ước tính phổ AR: Ước tính (chấm), Đúng (đặc)
20,0
5,0
1,0
0,2
tính)
(Mật
Nhật
ước
phổ
AR
độ
ký
Tiếp theo, chúng ta xem xét mô hình AR (2) với phổ đáy và kích thước mẫu lớn hơn. Các
quang phổ thực được hiển thị trong Phụ lục 13.15 trên trang 337. Chúng tôi đã mô phỏng mô hình này với
n = 200 và nhiễu trắng bình thường đơn vị-phương sai. Ba ước tính quang phổ được làm mịn
được hiển thị dựa trên các nhịp 7, 15 và 31. Như trước đây, giới hạn tin cậy và hướng dẫn độ
rộng dải tương ứng với nhịp nhỏ nhất là 7 và do đó cung cấp độ rộng dải hẹp nhất và khoảng
tin cậy dài nhất. Theo ý kiến của chúng tôi, giá trị giữa của span = 15,
no noi vêgi N , đưa ra một ước tính hợp lý về phổ.
Machine Translated by Google
Phụ lục 14.13 Phổ ước tính cho Mô hình phổ ống AR (2)
5,0
2,0
1,0
0,5
tính)
(Mật
Nhật
ước
phổ
độ
ký
0,2
> Sử dụng mã R cho Phụ lục 14.11 với các giá trị mới cho
Hình 14.14 cho thấy ước tính mật độ phổ AR. AIC tối thiểu là
đạt được theo thứ tự thực của mô hình cơ bản, AR (2) và phổ ước tính
mật độ khá tốt.
Hình 14.14 Ước tính phổ AR: Ước tính (chấm), Đúng (đặc)
5.0
2.0
1,0
0,5
tính)
(Mật
Nhật
ước
phổ
AR
độ
ký
> Sử dụng mã R cho Phần trưng bày 14.11 và 14.12 với các giá trị mới
Mật độ phổ thực của mô hình hỗn hợp ARMA (1,1) với φ = 0,5 và θ = 0,8 là
được hiển thị trong Hình 13.17 trên trang 338. Mô hình này có nội dung tần số tự do trung
bình và cao đáng kể nhưng rất ít công suất ở tần số thấp. Chúng tôi đã mô phỏng mô hình này với
cỡ mẫu n = 500 và nhiễu trắng bình thường theo phương sai đơn vị. Sử dụng ≈ 22 Nlàm hướng dẫn
để chọn m, chúng tôi hiển thị ba ước lượng với m là 11, 23 và 45 trong Hình 14.15. Các
hướng dẫn khoảng tin cậy chỉ ra rằng nhiều cực đại được tạo ra khi m = 11 là
có thể là giả (thực tế là như vậy). Với một quang phổ cơ bản mượt mà như vậy,
làm mịn tối đa được hiển thị với m = 45 tạo ra một ước tính khá tốt.
Phụ lục 14.15 Ước tính phổ cho một quá trình ARMA (1,1)
2,0
1,0
0,5
0,2
tính)
(Mật
Nhật
ước
phổ
độ
ký
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (324135); n = 500; phi = .5; theta = .8
> y = arima.sim (model = list (ar = phi, ma = -theta), n = n)
> sp1 = spec (y, spans = 11, sub = '', lty = 'dotted', xlab =
'Frequency', ylab = 'Log (Mật độ phổ ước tính)')
> sp2 = spec (y, spans = 23, plot = F); sp3 = spec (y, spans = 45, plot = F)
> dòng (sp2 $ freq, sp2 $ spec, lty = 'dashed')
> dòng (sp3 $ freq, sp3 $ spec, lty = 'dotdash')
> f = seq (0,001, 0,5, x = 0,001)
> dòng (f, ARMAspec (model = list (ar = phi, ma = -theta), f,
plot = F) $ spec, lty = 'solid')
Machine Translated by Google
Trong trường hợp này, ước tính phổ tham số dựa trên mô hình AR không hoạt động tốt,
như thể hiện trong Phụ lục 14.16. Phần mềm đã chọn một mô hình AR (3), nhưng kết quả
mật độ quang phổ (dạng chấm) hoàn toàn không tái tạo mật độ thực (đặc).
Phụ lục 14.16 Ước tính phổ AR cho một quá trình ARMA (1,1)
2.0
1,0
0,5
0,2
tính)
(Mật
Nhật
ước
phổ
AR
độ
ký
> sp4 = spec (y, method = 'ar', lty = 'dotted', ylim = c (.15,1.9),
xlab = 'Tần số', ylab = 'Nhật ký (Mật độ phổ AR ước tính)')
> f = seq (0,001, 0,5, x = 0,001)
> dòng (f, ARMAspec (model = list (ar = phi, ma = -theta), f,
plot = F) $ spec, lty = 'solid')
Đối với ví dụ cuối cùng của chúng tôi với dữ liệu mô phỏng, chúng tôi chọn quy trình theo mùa. Mật độ
quang phổ theo lý thuyết cal được hiển thị trong Hình 13.19 trên trang 340. Chúng tôi mô phỏng n = 144
điểm dữ liệu với nhiễu trắng bình thường đơn vị-phương sai. Chúng ta có thể coi đây là 12 năm
dữ liệu hàng tháng. Chúng tôi đã sử dụng các cửa sổ quang phổ Daniell đã sửa đổi với span = 6, 12 và 24
dựa trên N ≈ 12.
Phổ này chứa rất nhiều chi tiết và khó ước tính chỉ với 144
quan sát. Cửa sổ quang phổ hẹp nhất gợi ý về tính thời vụ, nhưng hai yếu tố khác
ước tính về cơ bản làm mượt tính thời vụ. Độ rộng khoảng tin cậy (tương ứng với m = 6) dường
như xác nhận sự hiện diện của các đỉnh theo mùa thực.
Machine Translated by Google
Phụ lục 14.17 Các ước tính về quang phổ cho một quá trình theo mùa
5.0
2.0
0,5
0,2
tính)
(Mật
Nhật
ước
phổ
độ
ký
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> set.seed (247135); n = 144; theta = .4; THETA = .9
> y = arima.sim (model = list (ma = c (-theta, rep (0,10), - THETA, theta * THETA
)), n = n)
> sp1 = spec (y, spans = 7, sub = '', lty = 'dotted', ylim = c (.15,9),
xlab = 'Tần số', ylab = 'Nhật ký (Mật độ phổ ước tính)')
> sp2 = spec (y, spans = 13, plot = F); sp3 = spec (y, spans = 25, plot = F)
> dòng (sp2 $ freq, sp2 $ spec, lty = 'dashed')
> dòng (sp3 $ freq, sp3 $ spec, lty = 'dotdash')
> f = seq (0,001, 0,5, x = 0,001)
> lines (f, ARMAspec (model = list (ma = -theta, season = list (sma = -THETA,
period = 12)), freq = f, plot = F) $ spec, lty = 'solid')
Phụ lục 14.18 Ước tính phổ AR cho một quá trình theo mùa
5.0
2.0
0,5
0,2
tính)
(Mật
Nhật
ước
phổ
AR
độ
ký
> sp4 = spec (y, method = 'ar', ylim = c (.15,15), lty = 'dotted',
xlab = 'Tần số', ylab = 'Nhật ký (Mật độ phổ AR ước tính)')
Machine Translated by Google
Hình 14.18 cho thấy phổ ước tính dựa trên mô hình AR tốt nhất. Một đơn đặt hàng
trong số 13 được chọn dựa trên AIC tối thiểu và tính thời vụ thể hiện khá
Tốt. Tuy nhiên, các đỉnh được đặt sai vị trí ở các tần số cao hơn. Có lẽ nhìn vào
cả Phụ lục 14.17 và Phụ lục 14.18, chúng tôi có thể kết luận rằng tính thời vụ là có thật và
rằng một cửa sổ quang phổ hẹp cung cấp ước tính tốt nhất về lượng quang phổ cơ bản dựa
trên kích thước mẫu có sẵn.
Như một ước tính cuối cùng của phổ, chúng tôi sử dụng tích chập của hai Daniell đã sửa đổi
mỗi cửa sổ quang phổ có span = 3, như được hiển thị ở giữa Phụ lục 14.3 trên trang
354. Phổ ước tính được thể hiện trong Hình 14.19. Đây có lẽ là điều tốt nhất trong số
ước tính mà chúng tôi đã hiển thị.
Hình 14.19 Phổ theo mùa ước tính với Cửa sổ chuyển đổi
5.0
2.0
0,5
0,1
tính)
(Mật
Nhật
ước
phổ
độ
ký
> sp5 = spec (y, spans = c (3,3), sub = '', lty = 'dotted',
xlab = 'Tần số', ylab = 'Nhật ký (Mật độ phổ ước tính)')
> f = seq (0,001, 0,5, x = 0,001)
> lines (f, ARMAspec (model = list (ma = -theta, season = list (sma = -THETA,
period = 12)), freq = f, plot = F) $ spec, lty = 'solid')
Một robot công nghiệp đã được thực hiện qua một chuỗi các thao tác và khoảng cách từ một
vị trí cuối mục tiêu mong muốn được ghi lại bằng inch. Điều này đã được lặp lại 324 lần để tạo thành
chuỗi thời gian được hiển thị trong Hình 14.20.
Machine Translated by Google
Hình 14.20 Chuỗi thời gian vị trí kết thúc của rô bốt công nghiệp
Chênh
thúc
lệch
kết
trí
vị
0,005
0,005
0,000
Thời gian
> plot (rô bốt, ylab = 'Chênh lệch Vị trí Kết thúc', xlab = 'Thời gian')
Các ước tính của phổ được hiển thị trong Phụ lục 14.21 bằng cách sử dụng tích chập của
hai cửa sổ quang phổ Daniell đã sửa đổi với m = 7 (đặc) và có độ côn 10% trên mỗi cửa sổ
phần cuối của bộ truyện. Biểu đồ của cửa sổ quang phổ này được hiển thị ở giữa Hình 14.3
trên trang 354. Phổ cũng được ước tính bằng cách sử dụng mô hình AR (7) được trang bị (chấm),
thứ tự đã được chọn để giảm thiểu AIC. Với độ dài của khoảng thời gian kết quả 95% được hiển
thị, chúng ta có thể kết luận rằng đỉnh ở tần số khoảng 0,15 in
cả hai ước tính có thể là thực, nhưng những ước tính được hiển thị ở tần số cao hơn cũng có thể
sai. Có rất nhiều công suất được hiển thị ở tần số rất thấp và điều này đồng ý với
bản chất trôi chậm của chuỗi có thể thấy trong cốt truyện của chuỗi thời gian trong Triển lãm
14 giờ 20.
Phụ lục 14.21 Phổ ước tính cho Robot công nghiệp
05
2e
(Quang
phổ)
Nhật
ký
5e-06
> spec (rô bốt, nhịp = c (7,7), côn = .1, sub = '', xlab = 'Tần số',
ylab = 'Nhật ký (Quang phổ)')
> s = spec (robot, method = 'ar', plot = F)
> dòng (s $ freq, s $ spec, lty = 'dotted')
Hình 14.22 cho thấy lưu lượng sông hàng tháng đối với sông Iowa được đo tại Wapello, Iowa,
trong khoảng thời gian từ tháng 9 năm 1958 đến tháng 8 năm 2006. Dữ liệu khá lệch về phía
giá trị cao, nhưng điều này đã được cải thiện đáng kể bằng cách lấy logarit để phân tích.
60000
sông
chảy
Dòng
20000
0
Thời gian
Kích thước mẫu cho những dữ liệu này là 576 với căn bậc hai là 24. Băng thông của a
cửa sổ quang phổ Daniell sửa đổi là khoảng 0,01. Sau một số thử nghiệm với băng thông cửa sổ
quang phổ ev, chúng tôi quyết định rằng một cửa sổ như vậy làm mịn quá nhiều
và thay vào đó, chúng tôi đã sử dụng tích chập của hai cửa sổ như vậy, mỗi cửa sổ có span =
7. Độ rộng băng tần của cửa sổ tích tụ này là khoảng 0,0044. Mật độ phổ được làm mịn esti mate
được thể hiện dưới dạng một đường cong đặc trong Phụ lục 14.23 cùng với ước tính dựa trên một
Mô hình AR (7) (chấm) được chọn để giảm thiểu AIC. Đỉnh nổi bật ở tần số
1/12 đại diện cho tính thời vụ hàng năm mạnh mẽ. Có các đỉnh thứ cấp nhỏ hơn ở
khoảng f ≈ 0,17 và f ≈ 0,25 tương ứng với bội số của tần số cơ bản của
1/12. Chúng là những sóng hài có tần số hàng năm cao hơn.
Machine Translated by Google
5,00
(Quang
phổ)
Nhật
ký
0,50
0,10
0,02
> spec (log (flow), spans = c (7,7), ylim = c (.02,13), sub = '',
ylab = 'Log (Spectrum)', xlab = 'Frequency')
> s = spec (log (flow), method = 'ar', plot = F)
> dòng (s $ freq, s $ spec, lty = 'dotted')
Machine Translated by Google
Phần trên cùng của Phụ lục 11.14 trên trang 264, cho thấy sản lượng sữa hàng tháng của Hoa Kỳ
từ tháng 1 năm 1994 đến tháng 12 năm 2005. Có một xu hướng tăng đáng kể
cùng với tính thời vụ. Trước tiên, chúng tôi loại bỏ xu hướng tăng với thời gian tuyến tính đơn giản
mô hình xu hướng và xem xét phần còn lại từ hồi quy đó - theo mùa. Sau khi cố gắng
một số băng thông quang phổ, chúng tôi quyết định sử dụng tích chập của hai Daniell đã được sửa đổi
cửa sổ, mỗi cửa sổ có span = 3. Chúng tôi tin rằng nếu không thì đã làm trơn quá nhiều.
Điều này đã được xác nhận bằng cách ước tính một phổ AR mà kết thúc là phù hợp với AR theo thứ tự
15 với các cực đại ở cùng tần số. Lưu ý rằng các đỉnh được hiển thị trong Hình 14.24 là
nằm ở tần số 1/12, 2/12,…, 6/12, với đỉnh 1/12 hiển thị nhiều nhất
sức mạnh.
Phụ lục 14.24 Phổ ước tính cho các mùa sản xuất sữa
(Quang
phổ)
tính
Nhật
ước
ký
50000
5000
500
100
20
Để có ví dụ cuối cùng trong phần này, hãy xem xét chuỗi thời gian được hiển thị trong Phụ lục 14.25.
Các biểu đồ này hiển thị 400 điểm đầu tiên của hai chuỗi thời gian có độ dài 4423 và 4417,
tương ứng. Loạt hoàn chỉnh được tạo ra bằng cách ghi lại một nghệ sĩ chơi kèn trombonist và một
nghệ sĩ đàn bầu duy trì một mặt phẳng B (ngay dưới C giữa) trong khoảng 0,4 giây. Bản ghi âm
origi tạo ra dữ liệu được lấy mẫu ở 44,1 MHz, nhưng điều này được giảm bớt bằng cách lấy mẫu con
mỗi điểm dữ liệu thứ tư cho phân tích được hiển thị. Trombone và euphonia đều là đồng thau
các nhạc cụ hơi chơi trong cùng một phạm vi, nhưng chúng có kích thước và hình dạng khác nhau
đường ống. Euphonium có ống lớn hơn (lỗ khoan lớn hơn) chủ yếu là hình nón,
trong khi tenor trombone chủ yếu có hình trụ và có lỗ khoan nhỏ hơn. Các
âm thanh euphonium được coi là êm dịu hơn so với âm thanh kèn đồng, sáng sủa của xương trôm.
Khi một người nghe những nốt nhạc này được chơi, chúng nghe khá giống nhau. Nhiệm vụ của chúng tôi
Machine Translated by Google
tion là: Hình dạng và kích thước của ống có ảnh hưởng đến các sóng hài (âm bội) đủ để
sự khác biệt có thể được nhìn thấy trong quang phổ của những âm thanh này?
Trombone Bb
sóng
Dạng
11
0
Thời gian
Euphonium Bb
sóng
Dạng
11
0
Thời gian
> win.graph (chiều rộng = 4,875, chiều cao = 4, kích thước điểm = 8)
> dữ liệu (tbone); dữ liệu (euph); oldpar = par; mệnh (mfrow = (c (2,1)))
> trombone = (tbone-mean (tbone)) / sd (tbone)
> euphonium = (euph-mean (euph)) / sd (euph)
> plot (window (trombone, end = 400), main = 'Trombone Bb',
ylab = 'Dạng sóng', yaxp = c (-1, + 1,2))
> plot (window (euphonium, end = 400), main = 'Euphonium Bb',
ylab = 'Dạng sóng', yaxp = c (-1, + 1,2)); par = oldpar
Hình 14.26 hiển thị phổ ước tính cho hai dạng sóng. Đường cong vững chắc
là dành cho euphonium, và đường cong chấm chấm là dành cho trombone. Chúng tôi đã sử dụng tích chập
của hai cửa sổ quang phổ Daniell đã sửa đổi, mỗi cửa sổ có span = 11, trên cả hai chuỗi. Từ
cả hai sê-ri về cơ bản có cùng độ dài, băng thông cả hai sẽ là khoảng 0,0009
và hầu như không thể nhận thấy trên đường cắt ngang băng thông / khoảng tin cậy được hiển thị trên
đồ thị.
Bốn đỉnh chính đầu tiên xảy ra ở cùng tần số, nhưng rõ ràng là âm trombone
có công suất phổ lớn hơn nhiều ở các tần số hài cao hơn riêng biệt. Nó được gợi ý
Machine Translated by Google
rằng điều này có thể giải thích cho bản chất đồng thau hơn của âm trombone trái ngược với
âm thanh êm dịu hơn của euphonium.
Spectra
Log
1e
04
1e
+02
1e
00
1e
02+
> win.graph (chiều rộng = 4,875, chiều cao = 2,5, kích thước điểm = 8)
> spec (euph, spans = c (11,11), ylab = 'Log Spectra',
xlab = 'Tần số', sub = '')
> s = spec (tbone, spans = c (11,11), plot = F)
> dòng (s $ freq, s $ spec, lty = 'dotted')
Trước khi sử dụng rộng rãi biến đổi Fourier nhanh chóng, tính toán và làm mịn
phổ mẫu được tính toán cực kỳ chuyên sâu — đặc biệt trong thời gian dài
loạt. Các công cụ ước tính cửa sổ trễ đã được sử dụng để giảm thiểu một phần các đỉnh điểm khác biệt trong
tính toán.
Xem xét phổ mẫu và phổ mẫu đã được làm mịn. Chúng ta có
_ m ^ k
S - +
( ) f = W k ( ) S
f N
k m– =
k
m n 1–
-
2πi - +j
f N
e
= W k ()
j
γ ^
k m– = j 1 n+ -= (14.9.1)
k
n 1– m - 2πi
^ --j
N
= γj W k ( ) e e – 2πifj
j 1 n+ -= k m– =
Machine Translated by Google
hoặc
_ n 1– ^ j
S f () γ w j e – 2πifj (14.9.2)
= - N
jn - 1 + =
ở đâu
m - 2πik j
j - N
w W k ( ) e (14.9.3)
- N =
k m– =
Phương trình (14.9.2) gợi ý xác định và khảo sát một loại máy ước lượng phổ
định nghĩa là
~ n 1– ^
j
S w γ cos () 2πfj (14.9.4)
( ) f = - N j
j1 n
+ -
=
w x () = wx () -
w () 0 1 = (14,9,5)
w x () ≤ 1 cho x ≤ 1
Hàm w (x) được gọi là cửa sổ trễ và xác định khối lượng được cung cấp cho
phương sai tự động của mẫu tại mỗi độ trễ.
Cửa sổ trễ hình chữ nhật được xác định bởi
w x () = 1 vì x ≤ 1 (14,9,6)
và công cụ ước lượng phổ cửa sổ trễ tương ứng chỉ đơn giản là phổ mẫu.
Công cụ ước tính này rõ ràng đưa ra quá nhiều trọng số đối với độ trễ lớn trong đó các phương thức tự
động thu hồi mẫu dựa trên quá ít điểm dữ liệu và không đáng tin cậy.
Cửa sổ độ trễ đơn giản nhất tiếp theo là cửa sổ độ trễ hình chữ nhật bị cắt ngắn, sim
ply bỏ qua độ trễ lớn từ tính toán. Nó được định nghĩa là
j =
w 1 cho j m≤ (14,9,7)
- N
trong đó lợi thế tính toán đạt được bằng cách chọn m nhỏ hơn nhiều so với n.
Cửa sổ độ trễ hình tam giác, hoặc Bartlett, giảm độ trễ cao hơn theo tuyến tính và là
định nghĩa là
j =
w 1 -j ---
f hoặc j m≤ (14,9,8)
- N m
Các cửa sổ trễ phổ biến khác được liên kết với tên của Parzen, Tukey-Ham ming và Tukey-
Hanning. Chúng tôi sẽ không tiếp tục theo đuổi những điều này ở đây, nhưng có thể tìm thấy
nhiều thông tin hơn về cách tiếp cận cửa sổ trễ để ước lượng quang phổ trong các cuốn sách của
Bloomfield (2000), Brillinger (2001), Brockwell và Davis (1991), và Priestley
(1981).
Machine Translated by Google
Các phương pháp khác để làm mịn phổ mẫu đã được đề xuất. Kooperberg và cộng sự. (1995) đề
xuất sử dụng splines để ước tính phân bố phổ. Fan và Kreutzberger (1998) đã nghiên cứu các
đa thức làm mịn cục bộ và khả năng ước lượng phổ của Whittle. Cách tiếp cận này sử dụng lựa
chọn băng thông tự động để làm mịn phổ mẫu. Xem thêm Yoshihide (2006), Jiang và Hui (2004),
và Fay et al. (Năm 2002).
Với các đặc điểm không mong muốn của mật độ phổ mẫu, chúng tôi đã đưa ra mật độ phổ mẫu được
làm mịn và cho thấy rằng nó có thể được xây dựng để cải thiện các đặc tính. Các chủ đề quan
trọng về độ chệch, phương sai, rò rỉ, băng thông và giảm dần đã được điều tra. Một quy trình
để hình thành khoảng tin cậy đã được thảo luận, và tất cả các ý tưởng đều được minh họa bằng
cả dữ liệu chuỗi thời gian thực và mô phỏng.
BÀI TẬP
_
14.1 Xem xét phương sai của S ( ) f với cửa sổ quang phổ Daniell. Thay vì sử dụng 2S ^
Phương trình (14.2.4) ở trang 355, sử dụng dữ kiện có
( )phân
f ⁄ Sbốf xấp
() xỉ chi bình phương
với hai bậc tự do để chứng tỏ rằng S2 ( ) f ⁄ được làm mịn (mật độ phổ mẫu có phương
sai
Xem xét các biến đổi khác nhau của cửa sổ quang phổ hình chữ gầnDaniell
nhật đúng) 2m
(a) Xâyđơn. giản.
1+
dựng14,2
một
bảng gồm ba ô tương tự như trong Hình 14.3 trang 354 nhưng với cửa sổ quang phổ Daniell và
với m = 5. Đồ thị ở giữa phải là tích chập của hai cửa sổ Daniell và đồ thị ngoài cùng
bên trái là tích chập của ba Cửa sổ Daniell.
(b) Đánh giá các băng thông và bậc tự do cho từng điểm thắng quang phổ
dows xây dựng trong phần (a). Sử dụng n = 100.
(c) Xây dựng một bảng khác gồm ba ô tương tự như bảng hiển thị trong Phụ lục 14.3
nhưng với cửa sổ quang phổ Daniell đã được sửa đổi. Lần này sử dụng m = 5 cho đồ
thị thứ nhất và biến đổi hai với m = 5 và m = 7 cho đồ thị thứ hai. Chuyển đổi ba
cửa sổ với m là 5, 7 và 11 cho đồ thị thứ ba. (d) Đánh giá các băng thông và bậc
tự do cho từng điểm thắng quang phổ
dows xây dựng trong phần (c). Sử dụng n = 100.
Machine Translated by Google
14.3 Đối với cửa sổ quang phổ hình chữ nhật Daniell cho thấy rằng
m
m3 + +m2
1 2 m
----- = --------------------------- ------
--- 2
------
(một) k2Wm ( ) k
n2k m– = n2 ( ) 2m 1+
3 6
(b) Chứng tỏ rằng nếu m được chọn là m = c vớiN bất kỳ hằng số c nào, thì vế phải
bên của biểu thức trong phần (a) có xu hướng bằng không khi n tiến đến vô cùng.
(c) Chứng tỏ rằng nếu m = c N với bất kỳ hằng số c nào, thì phương sai gần đúng của
mật độ quang phổ được làm mịn được đưa ra bởi vế phải của Công thức (14.2.4) trên
trang 355 có xu hướng bằng không khi n có xu_ hướng đến vô cùng.
14.4 Giả sử rằng phân phối của ( ) f S được ước tính bằng bội
_ số của một
biến chi-bình phương với bậc tự S ≈ 2.
_ do ν, do đó phương sai gần đúng ( ) f cχυ Sử dụng
của S _ ( ) f được đưa ra trong Công thức (14.2.4) trên trang 355 và sự thật
các S ( ) f gần như không thiên vị, đánh đồng phương tiện và phương sai và tìm
giá trị đó cho c và ν (do đó thiết lập Công thức (14.4.2) trên trang 356).
14.5 Xây dựng chuỗi thời gian có độ dài n = 48 theo biểu thức 2π () 0.28 t
=
Yt tội lỗi []
Hiển thị biểu đồ chu kỳ của chuỗi và giải thích sự xuất hiện của nó.
14.6 Ước tính phổ của chuỗi thời gian mưa hàng năm ở Los Angeles. Dữ liệu là
trong tệp có tên larain. Do độ lệch trong chuỗi, hãy sử dụng logarit
của các giá trị lượng mưa thô. Căn bậc hai của độ dài chuỗi gợi ý một giá trị cho
khoảng 11. Sử dụng cửa sổ quang phổ Daniell đã sửa đổi và đảm bảo đặt
giới hạn dọc của biểu đồ để bạn có thể thấy toàn bộ khoảng tin cậy
14.7 Tệp có tên spot1 chứa số vết đen mặt trời hàng năm trong 306 năm kể từ năm 1700
(a) Hiển thị biểu đồ chuỗi thời gian của những dữ liệu này. Sự cố định có hợp lý không
cho loạt bài này?
(b) Ước tính quang phổ bằng cách sử dụng cửa sổ quang phổ Daniell đã được sửa đổi được tổ hợp
(c) Ước tính phổ bằng cách sử dụng mô hình AR với thứ tự được chọn để giảm thiểu
(d) Chồng các ước tính thu được trong phần (b) và (c) ở trên vào một ô. Làm
14.8 Xem xét chuỗi thời gian của nhiệt độ trung bình hàng tháng ở Dubuque, Iowa. Các
dữ liệu trong tệp có tên tempdub và bìa từ tháng 1 năm 1964 đến tháng 12
1975 cho một n trong số 144.
(a) Ước tính phổ bằng cách sử dụng nhiều giá trị nhịp khác nhau cho Daniell đã sửa đổi
(b) Theo ý kiến của bạn, ước lượng nào trong phần (a) thể hiện tốt nhất phổ
của quy trình? Đảm bảo sử dụng các cân nhắc về băng thông và giới hạn độ tin cậy
14.9 Chuỗi thời gian EEG (điện não đồ) được đưa ra trong tệp dữ liệu có tên eeg.
Điện não đồ là một xét nghiệm không xâm lấn được sử dụng để phát hiện và ghi lại hoạt
động trical elec được tạo ra trong não. Những dữ liệu này được đo với tốc độ lấy mẫu 256
mỗi giây và lấy từ một bệnh nhân bị động kinh. Tổng độ dài bản ghi là n = 13,000 — hoặc
ít hơn một phút một chút. (a) Hiển thị cốt truyện của chuỗi thời gian và quyết định xem
sự cố định có hợp lý hay không. (b) Ước tính phổ bằng cách sử dụng một cửa sổ quang phổ
Daniell đã sửa đổi được biến đổi với chính nó và khoảng 51 cho cả hai thành phần của tích
chập. Diễn giải cốt truyện.
(c) Ước tính phổ bằng cách sử dụng mô hình AR với thứ tự được chọn để giảm thiểu
AIC. Diễn giải cốt truyện. Thứ tự nào đã được chọn?
(d) Chồng các ước tính thu được trong phần (b) và (c) ở trên vào một ô. Họ có đồng ý với
một mức độ hợp lý?
14.10 Tệp có tên là điện chứa các giá trị sản xuất điện hàng tháng của Hoa Kỳ từ tháng 1 năm
1994 đến tháng 12 năm 2005. Biểu đồ chuỗi thời gian về logarit của các giá trị này được
thể hiện trong Hình 11.14 trên trang 264. Vì có một xu hướng tăng và sự thay đổi ngày càng
tăng ở các mức cao hơn trong những dữ liệu này, sử dụng điểm khác biệt đầu tiên của
logarit cho phân tích còn lại. (a) Xây dựng biểu đồ chuỗi thời gian của sự khác biệt đầu
tiên của logarit của các giá trị độ ba bậc. Tại thời điểm này, mô hình cố định có được
đảm bảo không? (b) Hiển thị phổ được làm mịn của sự khác biệt đầu tiên của logarit
bằng cách sử dụng cửa sổ quang phổ Daniell đã sửa đổi và các giá trị khoảng 25, 13 và 7.
Giải thích kết quả.
(c) Bây giờ sử dụng một cửa sổ quang phổ là tích chập của hai lần hòa giải Daniell đã
sửa đổi, mỗi điểm có khoảng cách = 3. Cũng sử dụng độ côn 10%. Giải thích kết quả.
(d) Ước tính phổ bằng cách sử dụng mô hình AR với thứ tự được chọn để giảm thiểu
AIC. Diễn giải cốt truyện. Thứ tự nào đã được chọn?
(e) Chồng các ước tính thu được trong phần (c) và (d) ở trên vào một ô. Họ có đồng ý với
một mức độ hợp lý?
14.11 Xem xét chuỗi thời gian sản xuất sữa hàng tháng được sử dụng trong Phụ lục 14.24 trên trang
374. Dữ liệu nằm trong tệp có tên là milk.
(a) Ước tính phổ bằng cách sử dụng một cửa sổ quang phổ là phép chập của hai cửa sổ
Daniell đã được sửa đổi, mỗi cửa sổ có span = 7. So sánh những kết quả này với những
kết quả được chỉ ra trong Hình 14.24.
(b) Ước tính phổ bằng cách sử dụng một cửa sổ quang phổ Daniell được sửa đổi duy nhất với span =
7. So sánh những kết quả này với những kết quả được chỉ ra trong Hình 14.24 và những kết quả
(c) Cuối cùng, ước tính phổ bằng cách sử dụng một quang phổ Daniell được sửa đổi duy nhất với
khoảng cách = 11. So sánh những kết quả này với những kết quả thể hiện trong Hình 14.24 và
(d) Trong số bốn ước tính khác nhau được xem xét ở đây, bạn thích cái nào hơn và
tại sao?
Machine Translated by Google
14.12 Hãy xem xét chuỗi dòng chảy của sông được hiển thị trong Phụ lục 14.22 trên trang 372. Một
người bạn đời của quang phổ được hiển thị trong Phụ lục 14.23 trên trang 373. Dữ liệu trong
tệp có tên là dòng chảy.
(b) Ước tính phổ bằng cách sử dụng span = 13 với phổ Daniell đã sửa đổi
cửa sổ và so sánh kết quả của bạn với kết quả thu được trong phần (a) và trong Phần trình bày
14,23.
14.13 Chuỗi thời gian trong tệp có tên tuba chứa khoảng 0,4 giây được số hóa
âm thanh từ một chiếc tuba chơi một nốt B phẳng một quãng tám và một nốt dưới trung C.
(a) Hiển thị biểu đồ chuỗi thời gian của 400 dữ liệu đầu tiên trong số những dữ liệu này và so sánh
kết quả với những kết quả được hiển thị trong Phụ lục 14.25 trên trang 375, cho kèn trombone và
euphonium.
(b) Ước tính phổ của chuỗi thời gian tuba bằng cách sử dụng tích chập của hai mod
cửa sổ quang phổ ified Daniell, mỗi cửa sổ có span = 11.
(c) So sánh phổ ước tính thu được trong phần (b) với phổ của xương trôm và
euphonium được trình bày trong Phụ lục 14.26 trên trang 376. (Bạn có thể muốn
chồng lên một số quang phổ này.) Hãy nhớ rằng tuba đang phát một
thấp hơn quãng tám so với hai nhạc cụ còn lại.
(d) Làm cho các thành phần tần số cao hơn của phổ cho tuba trông giống hơn
như của trombone hay của euphonium? (Gợi ý: The euphonium
đôi khi được gọi là tenor tuba!)
Giả sử Yt = cos (2πf t + Φ ) cho t = 1, 2,…, n, trong đó f0 không nhất thiết phải là Fourier
0 tần số. Vì nó sẽ không ảnh hưởng đến biểu đồ chu kỳ, chúng tôi thực sự sẽ giả sử rằng
= e 2πif0t (14.K.1)
Yt
để đơn giản hóa toán học. Sau đó, biến đổi Fourier thời gian rời rạc của điều này
trình tự được đưa ra bởi
N N
-1 2– nhanh -1 e
2πi f0 () - ft
Yt e = N (14.K.2)
N
t 1 = t 1 =
Theo phương trình (13.J.7) và (13.J.8) ở trang 350, với z bất kỳ,
N
-1 e2πizt = (1
--e2πiz
e2πinz ) 1–
----------------------------
N N
t 1 = e2πiz () 1–
eπinz e -– πinz 1
= )
-------------------------------------
( --eπi n () 1+ z
N -
()eπiz e – πiz
Machine Translated by Google
để có thể
N
1
- 1
--sin () πnz
e2πizt =
(14.K.3)
---------------------
eπi n () 1+ z
N N sin () πz
t 1 =
Chức năng
1
--sin () πnz
D z ()
= ---------------------
(14.K.4)
N sin () πz
là hạt nhân Dirichlet được hiển thị ở bên trái của Phụ lục 14.7 trên trang 360 cho n =
100. Những kết quả này dẫn đến mối quan hệ sau cho biểu đồ chu kỳ của Yt :
2
I f ()
() Df
- f0 (14K.5)
Hãy nhớ rằng đối với tất cả các tần số Fourier D (f) = 0, để cửa sổ này không có hiệu lực tại
các tần số đó. Rò rỉ xảy ra khi có công suất đáng kể ở các giải nhiệt tự do không Fourier.
Bây giờ hãy xem xét việc thu nhỏ Yt với một chuông cosine. Chúng ta có
˜ 1 2π ( t - 0,5 )
Yt = - 1 - cos --------------------------
Yt
2 N
(14K.6)
1 1
--e 2πif0t- 1--e
2πif0t + 2πi t () ½– ⁄ n - 2πif0t - 2πi t () ½– ⁄ n
= --e
2 4 4
1
N ˜
- Y te
2– nhanh
N (14.K.7)
t 1 =
( πi n () 1+ f ) - ft 1 1 1
= 0 e
--Df- f0
--– +1 () - + 4
--Df f0 --Df- f0 - +1
4 N 2 N
Chức năng
˜ 1 1
1 1
D ( ) f
=
--F f0 4-
--– +1 --Df f0
() - + --F f0 - - + (14K.8)
N 2 4 N
là hạt nhân Dirichlet thuôn nhọn hoặc đã sửa đổi được vẽ ở phía bên phải của
Hình 14.7 trên
˜ trang 360 cho n = 100. Biểu đồ chu kỳ của chuỗi hình côn tương ứng
2
với (D ) ( ) f , và vấn đề thùy bên được giảm thiểu đáng kể.
Machine Translated by Google
CHƯƠNG 15
MÔ HÌNH THRESHOLD
Có thể cho thấy (Wold, 1948) rằng bất kỳ quá trình tĩnh yếu nào {Yt } đều thừa nhận
sự phân hủy Wold
Yt =Ut
++ et
+ ψ1et 1– ψ2et 2–+…
trong đó et bằng độ lệch của Yt so với công cụ dự đoán tuyến tính tốt nhất dựa trên tất cả
các giá trị Y trong quá khứ , và {Ut} là một quá trình tĩnh hoàn toàn xác định, với et không
tương quan với Hệ, đối với bất kỳ t và s nào. Một quá trình xác định thuần túy là một quá
trình có thể được phân tích trước với độ chính xác tùy ý; (nghĩa là, với sai số bình phương
trung bình nhỏ tùy ý) bởi một số yếu tố dự đoán tuyến tính về rất nhiều độ trễ trong quá khứ
của quá trình. Một ví dụ đơn giản của một quá trình xác định thuần túy là Ut ≡ μ, một hằng
số. Một ví dụ tinh tế hơn là mô hình sóng cosine ngẫu nhiên được giới thiệu trên trang 18.
Về bản chất, {Ut} đại diện cho "xu hướng" ngẫu nhiên của trạm trong dữ liệu. Các lỗi dự đoán
{et } là một chuỗi nhiễu trắng và et phản đối thành phần “mới” tạo nên Yt và do đó thường
được gọi là sự đổi mới của quy trình. Sau đó, sự phân rã Wold nói rằng bất kỳ quá trình
tĩnh yếu nào đều là tổng của một quá trình MA (có thể là bậc vô hạn) và một xu hướng xác
định. Do đó, chúng ta có thể tính toán công cụ dự đoán tuyến tính tốt nhất trong khuôn khổ
các quy trình MA (∞) có thể được gần đúng hơn nữa bởi các quy trình ARMA bậc hữu hạn. Do đó,
sự phân hủy Wold đảm bảo tính linh hoạt của các mô hình ARMA trong dự đoán với các chuyên gia cố định
cesses.
Tuy nhiên, ngoại trừ sự tiện lợi, không có lý do gì để hạn chế đối với các xoắn dự đoán
tuyến tính. Nếu chúng ta cho phép các công cụ dự đoán phi tuyến và tìm kiếm công cụ dự đoán Yt
tốt nhất dựa trên các giá trị trong quá khứ của Y để giảm thiểu sai số dự đoán bình phương trung
bình, thì công cụ dự đoán tốt nhất không cần phải là công cụ dự đoán tuyến tính tốt nhất nữa.
Giải pháp đơn giản là giá trị trung bình có điều kiện của Yt cho tất cả các giá trị Y trong quá
khứ . Sự phân tách Wold làm rõ rằng công cụ dự đoán tuyến tính trước một bước tốt nhất là công cụ
dự đoán trước một bước tốt nhất nếu và chỉ khi {et } trong phân rã Wold thỏa mãn điều kiện rằng
giá trị trung bình có điều kiện của et cho trước của e là giống hệt nhau thành 0. {et } thỏa mãn
điều kiện thứ hai được gọi là một chuỗi các khác biệt martingale, do đó, điều kiện sẽ được gọi là
điều kiện chênh lệch martingale. Điều kiện chênh lệch martingale giữ nguyên nếu, ví dụ, {et } là
một chuỗi các biến ngẫu nhiên độc lập, được phân phối giống hệt nhau với giá trị trung bình bằng
0. Nhưng nó cũng đúng nếu {et } là một số quá trình GARCH. Tuy nhiên, khi điều kiện chênh lệch
martingale không thành công, dự đoán phi tuyến sẽ dẫn đến dự đoán chính xác hơn. Hannan (1973)
định nghĩa một quá trình tuyến tính là một quá trình mà ở đó công cụ dự đoán tuyến tính trước một
bước tốt nhất là công cụ dự đoán trước một bước tốt nhất.
383
Machine Translated by Google
Các mô hình chuỗi thời gian được thảo luận cho đến nay về cơ bản là các mô hình tuyến tính theo nghĩa
rằng, sau khi chuyển đổi tức thời thích hợp, giá trị trung bình có điều kiện trước một bước là
một hàm tuyến tính của các giá trị hiện tại và quá khứ của biến chuỗi thời gian. Nếu lỗi
được phân phối bình thường, như thường được giả định, một mô hình ARIMA tuyến tính dẫn đến
quá trình phân phối thường. Các phương pháp chuỗi thời gian tuyến tính đã được chứng minh là rất hữu ích
trong thực tế. Tuy nhiên, các quy trình tuyến tính, bình thường có một số hạn chế. Vì
ví dụ, một quá trình bình thường tĩnh hoàn toàn được đặc trưng bởi hàm hiệp phương sai trung bình và tự
động của nó; do đó quá trình đảo ngược thời gian có cùng phân phối với
quy trình ban đầu. Thuộc tính thứ hai được gọi là khả năng đảo ngược thời gian. Tuy nhiên, nhiều điểm
chuyên nghiệp thực sự dường như không thể thay đổi theo thời gian. Ví dụ: giá đóng cửa hàng ngày lịch sử của
cổ phiếu thường tăng dần nhưng, nếu nó bị rơi, nó đã tăng rất nhanh, biểu thị một
cơ chế dữ liệu không thể thay đổi thời gian. Hơn nữa, nghĩa có điều kiện trước một bước có thể
là phi tuyến tính thay vì tuyến tính trong các giá trị hiện tại và quá khứ. Ví dụ, các quá trình nhảy
abun động vật có thể là phi tuyến tính do các hạn chế về tài nguyên hữu hạn. Cụ thể, trong khi
mức độ phong phú cao vừa phải trong một thời kỳ có thể được theo sau bởi mức độ phong phú cao hơn
trong thời kỳ tiếp theo, sự phong phú cực kỳ cao có thể dẫn đến sự suy giảm dân số trong các thời kỳ
tiếp theo. Các mô hình chuỗi thời gian phi tuyến thường hiển thị cấu trúc động học phong phú.
Thật vậy, tháng 5 (1976) đã chỉ ra rằng một sự khác biệt xác định phi tuyến tính rất đơn giản có thể thừa
nhận các giải pháp hỗn loạn theo nghĩa là các giải pháp chuỗi thời gian của nó là nhạy cảm.
đến các giá trị ban đầu, có thể dường như không thể phân biệt được với tiếng ồn trắng
trình tự dựa trên phân tích tương quan. Do đó, phân tích chuỗi thời gian phi tuyến có thể cung cấp
dự đoán chính xác hơn, có thể rất quan trọng ở một số vùng nhất định của tiểu bang
và khám phá những hiểu biết mới về động lực cơ bản của dữ liệu. Thời gian phi tuyến
phân tích chuỗi đã được khởi xướng một cách nghiêm túc vào khoảng cuối những năm 1970, do nhu cầu
mô hình hóa động lực học phi tuyến được hiển thị bằng dữ liệu thực; xem Tong (2007). Trừ những trường hợp
với lý thuyết được phát triển tốt giải thích cơ chế cơ bản của một
chuỗi thời gian, cơ chế dữ liệu phi tuyến thường chưa được biết. Do đó, một cơ bản
vấn đề phân tích chuỗi thời gian phi tuyến tính theo kinh nghiệm liên quan đến sự lựa chọn tổng quát
lớp phi tuyến của các mô hình. Ở đây, mục tiêu của chúng tôi khá khiêm tốn là chúng tôi giới thiệu
mô hình ngưỡng, là một trong những lớp quan trọng nhất của chuỗi thời gian phi tuyến
các mô hình. Để có tài khoản có hệ thống về phân tích chuỗi thời gian phi tuyến tính và sự hỗn loạn, hãy xem Tong
Trong mô hình ARIMA, quá trình đổi mới (lỗi) thường được chỉ định là độc lập
và được phân phối bình thường giống nhau. Giả định lỗi bình thường ngụ ý rằng chuỗi thời gian dừng cũng
là một quá trình bình thường; nghĩa là, bất kỳ tập hợp hữu hạn các tion quan sát chuỗi thời gian nào
cũng bình thường. Ví dụ: cặp (Y1, Y2) có chuẩn hai biến
phân phối và bất kỳ cặp Y nào cũng vậy; bộ ba (Y1, Y2, Y3) có phân tích thông thường tam biến và bất kỳ
bộ ba nào trong số Y cũng vậy, v.v. Khi dữ liệu không bình thường, biến đổi tức thời có dạng h (Yt ), ví
dữ liệu với hy vọng rằng một mô hình ARIMA bình thường có thể đóng vai trò là một giá trị gần đúng tốt cho
cơ chế tạo dữ liệu cơ bản. Giả định về tính chuẩn mực chủ yếu là
Machine Translated by Google
15.1 Khám phá tính phi tuyến tính bằng đồ họa 385
được thông qua để thuận tiện trong suy luận thống kê. Trên thực tế, một mô hình ARIMA với
những đổi mới phi thường có thể được giải trí. Thật vậy, các quá trình như vậy rất phong phú và
động lực đôi khi kỳ lạ; xem Tong (1990). Nếu giả định lỗi bình thường là chính, thì chuỗi thời
gian phi tuyến thường không được phân phối bình thường. Phi tuyến tính
sau đó có thể được khám phá bằng cách kiểm tra xem có hay không một tập hợp hữu hạn các quan sát chuỗi thời gian
đều bình thường; ví dụ, có hay không sự phân bố hai chiều của các cặp
của Y là bình thường. Điều này có thể được kiểm tra bằng cách vẽ biểu đồ phân tán của Yt so với Yt - 1
hoặc Yt - và kể từ đó trở đi. Đối với phân phối chuẩn hai biến, biểu đồ phân tán phải
2, giống như một đám mây dữ liệu hình elip với mật độ giảm dần từ tâm của nó. Khởi hành từ
một mô hình như vậy (ví dụ: sự tồn tại của một lỗ hổng lớn trong đám mây dữ liệu) có thể biểu thị rằng
dữ liệu không bình thường và quy trình cơ bản có thể là phi tuyến tính.
Hình 15.1 cho thấy các biểu đồ phân tán của Yt so với độ trễ 1 đến độ trễ 6, trong đó chúng tôi
dữ liệu mô phỏng từ mô hình ARIMA (2,1)
-
Yt =1,6Yt 1– 0,94Yt 2– - +et 0,64et 1– (15.1.1)
với những đổi mới là tiêu chuẩn bình thường. Lưu ý rằng các đám mây dữ liệu trong đường kính phân
Để giúp chúng tôi hình dung mối quan hệ giữa phản hồi và độ trễ của nó, chúng tôi vẽ các
đường hồi quy không tham số phù hợp trên mỗi biểu đồ phân tán. Ví dụ, trên phân tán
biểu đồ của Yt so với Yt - 1, một ước tính phi tham số của hàm trung bình có điều kiện
của Yt cho trước Yt - 1, còn được gọi là hàm hồi quy trễ 1, được chồng lên. (Nói một cách cụ
thể, hàm hồi quy lag 1 bằng m1 (y) = E (Yt | Yt - 1 = y) là một hàm của y.) Nếu
quá trình cơ bản là tuyến tính và bình thường, hàm hồi quy độ trễ 1 thực sự phải là
tuyến tính và do đó, chúng tôi mong đợi ước lượng phi tham số của nó gần với một đường thẳng. Trên
mặt khác, ước tính hồi quy độ trễ 1 cong có thể gợi ý rằng điểm chuyên nghiệp cơ bản là phi tuyến
tính. Tương tự, người ta có thể khám phá hàm hồi quy lag 2 (nghĩa là
trung bình có điều kiện của Yt cho trước Yt - 2 = y) dưới dạng hàm của y và các tương tự có độ trễ cao hơn. Trong
trường hợp khác biệt mạnh với tuyến tính, hình dạng của các hàm hồi quy này có thể
cung cấp một số manh mối về mô hình phi tuyến nào có thể phù hợp với dữ liệu. Lưu ý rằng
tất cả các đường cong hồi quy trễ trong Hình 15.1 đều khá thẳng, cho thấy rằng quá trình nằm
Biểu đồ 15.1 Lô hồi quy trễ cho ARMA được mô phỏng (2,1)
Quá trình. Các đường liền nét là các đường cong hồi quy vừa vặn.
o
4 4
ooo ooo oo o o
o
o oo
o o o o o
2 o o o
2 ooo o
o
o o o o o oo o o o
o o
o o o o o
o o
0 oo o oo 0 oo
o o
o o oo o o o o o
o o o o
o o o oo o o o
oo
oo o
oo o o o o
o o o o
o o
o o oo
oo o o o
oo o o o o
2
4 o o 2
4 o
o o o o
6 o 6 o
6 4 2 0 2 4 6 6 4 2 0 2 4 6
o o
4 4
o o o o o o o o
o o
oo o oo o
o o
2 o o o o o
o
2 o o
oo o o o oo
o
o o o
o o o o o
o o o o o
o o o o
0 o 0 o o
o o
o o o oo o o o o o
o o o oo o oo oo
o o o
o
o o o o o o
o o o o
2
o
2
o o o o o
oo o o o
o
o o o o o o
4 o 4 o
o o o
6 4 2 0 2 4 6 4 2 0 2 4
o o
4 4
oo o o oo o o
o o
o o o o oo
o o
2 o o
2 o
o
o o o o
oo o o o o
o o o
o o o o o o
o o o o o o
0 o o o 0 oo o
o o o
o oo
oo o o ooo o
ooo o oo o
oo o o
oo o o o o
2 o o 2 o o
o o
o o o o
o o o o o o
o o o o
4 o 4 o
o o
6 4 2 0 2 4 6 4 2 0 2 4
> win.graph (chiều rộng = 4,875, chiều cao = 6,5, kích thước điểm = 8)
> set.seed (2534567); mệnh (mfrow = c (3,2))
> y = arima.sim (n = 61, model = list (ar = c (1.6, -0.94), ma = -0.64))
> lagplot (y)
Bây giờ chúng ta minh họa kỹ thuật của một đồ thị hồi quy có độ trễ bằng một ví dụ thực tế.
Biểu đồ 15.2 vẽ biểu đồ phản ứng theo chuỗi thời gian thử nghiệm là số lượng cá thể
(Didinium nats đờm, một sinh vật đơn bào) trên mỗi ml đo 12 giờ một lần trong khoảng thời gian
35 ngày; xem Veilleux (1976) và Jost và Ellner (2000). Thí nghiệm đã nghiên cứu
Machine Translated by Google
15.1 Khám phá tính phi tuyến tính bằng đồ họa 387
sự biến động dân số của một hệ thống động vật săn mồi; con mồi là Paramecium aurelia, một
protozon ciliate đơn bào, trong khi loài săn mồi là Didinium nats đờm. Phần ban đầu của dữ
liệu dường như không cố định do các hiệu ứng nhất thời. Có thể thấy rằng giai đoạn tăng
của chuỗi nói chung dài hơn giai đoạn giảm, cho thấy rằng chuỗi thời gian là thời gian
không thể thay đổi. Dưới đây, chúng tôi sẽ bỏ qua 14 điểm dữ liệu đầu tiên khỏi phân tích;
nghĩa là, chỉ dữ liệu (được biến đổi theo log) tương ứng với đường cong đặc trong Phụ lục
15.2 mới được sử dụng trong phân tích tiếp theo.
Hình 15.2 Số lượng Động vật ăn thịt được Biến đổi theo lôgarit. Các
phần tĩnh của chuỗi thời gian được hiển thị dưới dạng đường liền nét.
Các vòng tròn rắn cho biết dữ liệu ở chế độ thấp hơn của mô hình tự
động phục hồi ngưỡng được trang bị.
•
• • • • • •
•
• •
• • • • • •
• • ••
•
• •
5.0
•
• • • • •
• • • •
• • •
• • •
• •
• • • • • ••
• •
• •
• • •
•
• • • •• •• • • •• • •• • •
4.0
thịt)
(động
Nhật
vật
ăn
ký
• ••• •• • •
• •
• • • •
3.0
• • • • •
•
0 5 10 15 20 25 30 35
Ngày
Hình 15.3 cho thấy các đồ thị hồi quy có độ trễ của chuỗi động vật ăn thịt. Lưu ý rằng
một số biểu đồ phân tán có một lỗ lớn ở trung tâm, ám chỉ rằng dữ liệu cần phải không bình
thường. Ngoài ra, các ước lượng hàm hồi quy có vẻ phi tuyến tính mạnh đối với độ trễ từ 2
đến 4, cho thấy một cơ chế dữ liệu phi tuyến; trên thực tế, biểu đồ (không được hiển thị)
gợi ý rằng chuỗi là hai phương thức.
Machine Translated by Google
o o
o o o
o o o o
o o
o o
5.5 5.5
o o o o
o o o o
o o oo
o o
o o o o o o oo
o o
5.0 5.0
o o o o o o
oo oo
o o o o
o o o o
4,5 4,5
o o
o o
o o o o o o
oo o oo o
o o o o oo o
oo o o o
o o
o
4.0 4.0
o o
o o
o o o oo o o o oo
o o
o o
3.5 o 3.5 o
o o
o o
3.0 3.5 4.0 4,5 5.0 5.5 6.0 3.0 3.5 4.0 4,5 5.0 5.5 6.0
o o
o o o o
oo o o
o o
o o
5.5 5.5
oo o o
o o o
o o o o
o o
o o o o o o o o
o o
5.0 5.0
o o o o o o
oo o o
o o o o
o o o o
4,5 4,5
o o
o o o o o o
o o o
o o o o
o o o o o
4.0 o o o 4.0 oooo
o o
o o
o oo o o o o ooo
o o
o o
3.5 o 3.5 o
o o
o o
3.0 3.5 4.0 4,5 5.0 5.5 6.0 3.0 3.5 4.0 4,5 5.0 5.5 6.0
o o
o o o
oo o o o
o
o
5.5 5.5
o o o o
o o o o
o o o o
o o
5.0 o o o o 5.0 oo o o
o oo o o o
o o oo
o o o o
oo o o o
4,5 4,5
o
o o o o o o o
o oo o o
o o o o o o
o o o o
o o o
4.0 4.0
o
o ooo o oo o
oo o o
o o
o o
3.5 o 3.5 o
o o
o o
3.0 3.5 4.0 4,5 5.0 5.5 6.0 3.0 3.5 4.0 4,5 5.0 5.5 6.0
> win.graph (chiều rộng = 4,875, chiều cao = 6,5, kích thước điểm = 8)
> dữ liệu (predator.eq)
> lagplot (log (predator.eq)) # thư viện mgcv và locfit được yêu cầu
Bây giờ chúng tôi giải thích cặn kẽ về cách các đường cong hồi quy được ước lượng không tham số.
Độc giả không quan tâm đến các chi tiết kỹ thuật có thể bỏ qua phần tiếp theo. Đối
với ness cụ thể, giả sử chúng ta muốn ước tính hàm hồi quy lag 1. (Phần mở rộng đến khác
trễ là đơn giản.) Ước tính phi tham số của gen hàm hồi quy độ trễ 1
Machine Translated by Google
15.1 Khám phá tính phi tuyến tính bằng đồ họa 389
erally sử dụng ý tưởng ước tính giá trị trung bình có điều kiện m1 (y) = E (Yt | Yt - 1 = y)
bằng cách lấy trung bình của những Y có giá trị trễ 1 gần với y. Rõ ràng, giá trị trung bình có thể là
được hiển thị chính xác hơn bằng cách đưa ra nhiều trọng số hơn cho những điểm Y có giá trị trễ 1 gần hơn
cho y. Các trọng số thường được ấn định một cách có hệ thống thông qua một số mật độ xác suất func tion
k (y) và tham số băng thông h > 0. Cặp dữ liệu (Yt, Yt - 1) được gán
trọng lượng
- y
1 Yt --k
1–
=
(15.1.2)
wt h h
--------------------
Sau đó, chúng tôi giả định rằng k (. ) Là hàm mật độ xác suất chuẩn thông thường. Ghi chú
khi đó vế phải của Công thức (15.1.2) là hàm mật độ xác suất thông thường với trung bình y và phương
sai h2 . Cuối cùng, chúng tôi xác định công cụ ước tính Nadaraya-Watson †
wt Yt
t = 2
() --------------------
0 m ^
() y = (15.1.3)
1 N
wt
t = 2
(Ý nghĩa của chỉ số trên 0 sẽ trở nên rõ ràng sau này.) Vì hàm mật độ xác suất xác suất bình thường là
không đáng kể đối với các giá trị khác với giá trị trung bình nhiều hơn
ba độ lệch chuẩn, công cụ ước tính Nadaraya-Watson về cơ bản tính trung bình Yt
có Yt - 1 cách y trong vòng 3h đơn vị và giá trị trung bình được tính theo trọng số nhiều hơn
đối với những quan sát có giá trị trễ 1 gần với y hơn. Việc sử dụng công cụ ước tính Nadaraya-Wat con
trai của hàm hồi quy độ trễ 1 yêu cầu chúng ta xác định băng thông.
Có một số phương pháp, bao gồm xác nhận chéo để xác định h. Tuy nhiên, đối với
phân tích khám phá, chúng tôi luôn có thể sử dụng một số giá trị băng thông mặc định và thay đổi nó
bit để có một số cảm nhận về hình dạng của hàm hồi quy lag 1.
Có thể thu được một công cụ ước lượng phi tham số hiệu quả hơn bằng cách giả định rằng
hàm hồi quy cơ bản có thể xấp xỉ cục bộ bởi một hàm tuyến tính;
xem Fan và Gijbels (1996). Công cụ ước lượng tuyến tính cục bộ của hàm hồi quy độ trễ 1 tại
()
yy bằng giá 1trị
m ^
() thu ,bằng cách tối thiểu hóa phần dư có trọng số cục bộ
1 này b0 được
=
Tổng bình phương:
N
–– 2
wt (Yt b0 b1Yt 1– ) (15.1.4)
t 2 =
()
Người đọc bây giờ có thể đoán rằng ký tự trên k trong ký hiệu () y k m ^ đề cập đến
1
bậc của đa thức địa phương. Thông thường, dữ liệu có khoảng cách không đồng đều, trong trường hợp đó,
băng thông sin gle có thể không hoạt động tốt. Thay vào đó, một băng thông thay đổi gắn với mật độ của
dữ liệu có thể hiệu quả hơn. Một lược đồ đơn giản là lược đồ láng giềng gần nhất
thay đổi chiều rộng cửa sổ để nó bao phủ một phần dữ liệu cố định gần tâm của
cửa sổ. Chúng tôi đặt tỷ lệ này là 70% cho tất cả các biểu đồ hồi quy có độ trễ được báo cáo của chúng tôi.
Điều quan trọng cần nhớ là phương pháp tiếp cận đa thức cục bộ giả định rằng
true lag 1 hàm hồi quy là một hàm mượt mà. Nếu hàm hồi quy độ trễ đúng 1
không liên tục, khi đó cách tiếp cận đa thức cục bộ có thể mang lại các ước lượng sai lệch.
Tuy nhiên, một sự thay đổi lớn trong hàm hồi quy ước tính có thể đóng vai trò là một cảnh báo rằng
điều kiện mượt mà có thể không giữ cho hàm hồi quy độ trễ 1 thực sự.
Một số thử nghiệm đã được đề xuất để đánh giá nhu cầu của mô hình phi tuyến tính trong thời gian
phân tích chuỗi. Một số thử nghiệm này, chẳng hạn như nghiên cứu của Keenan (1985), Tsay
(1986), và Luukkonen et al. (1988), có thể được hiểu là các bài kiểm tra hệ số Lagrange cho
các phương án phi tuyến cụ thể.
Keenan (1985) rút ra một bài kiểm tra về độ phi tuyến tương tự như một mức độ của Tukey
tự do cho phép thử độ nhạy (xem Tukey, 1949). Thử nghiệm của Keenan được thúc đẩy bằng
cách kết hợp xấp xỉ chuỗi thời gian tĩnh phi tuyến tính với sự mở rộng Volterra bậc hai (Wiener,
Năm 1958)
∞ ∞ ∞
+ (15.2.1)
Yt μ + = θμεt - μ θμνεt - μεt - ν
μ ∞– = ν ∞– = μ ∞– =
trong đó {εt, ∞ < t <∞} là một chuỗi các phân phối độc lập và giống hệt nhau
biến ngẫu nhiên trung bình bằng không. Quá trình {Yt } là tuyến tính nếu tổng kép ở phía bên
phải của (15.2.1) biến mất. Do đó, chúng ta có thể kiểm tra tính tuyến tính của chuỗi thời
gian bằng cách kiểm tra xem tổng kép có biến mất hay không. Trong thực tế, khai triển chuỗi vô hạn có
được cắt ngắn thành một tổng hữu hạn. Gọi Y1,…, Yn biểu thị các quan sát. Bài kiểm tra của Keenan có thể
(n - m - 1) vào thống kê F để kiểm tra rằng hàm hồi quy cuối cùng được xác
N ^2
η η0
= ξt (15.2.2)
tm 1 + =
^ 2
F η () n 2m 2––
= ------------------------------------
(15.2.3)
- 2
RSS η