Professional Documents
Culture Documents
Bài 6.1 PTCTG TN
Bài 6.1 PTCTG TN
Ta sẽ nghiên cứu vấn đề tìm mô hình thích hợp cho tập số liệu đã
biết {𝑥" , … , 𝑥% } không nhất thiết được cảm sinh bởi một chuỗi thời gian
dừng. Nếu số liệu (a) có biểu hiện sai lệch không rõ ràng từ tính dừng
và (b) có hàm tự hiệp phương sai giảm nhanh, ta cố thử xây dựng mô
hình ARMA cho bộ số liệu quy tâm bằng các kỹ thuật ở chương 5. Nói
cách khác, ta tìm kiếm các phép biến đổi số liệu đưa về chuỗi mới với
các tính chất (a) và (b). Điều đó có thể đạt được bằng sai phân, dẫn đến
Tổng quát hoá lớp mô hình ARMA kết hợp nhiều loại chuỗi
không dừng được cung cấp bởi các quá trình ARIMA, tức là quá trình
sau khi sai phân một số hữu hạn lần sẽ đưa đến quá trình ARMA.
* Định nghĩa 6.1 Nếu 𝑑 là số nguyên không âm, thì {𝑋, } là quá trình
quả.
Định nghĩa này cho thấy {𝑋, } thoả phương trình sai phân dạng
khi và chỉ khi 𝑑 = 0, trường hợp này dẫn đến quá trình ARMA(𝑝, 𝑞).
ARIMA vì thế tiện lợi cho việc biểu diễn số liệu có khuynh. Nhưng
mặc dù vậy quá trình ARIMA cũng thích hợp để mô hình hoá các chuỗi
không khuynh. Cũng để ý với 𝑑 ≥ 1, phương trình (6.1) xác định các
tính chất của {(1 − 𝐵)5 𝑋, } chứ không phải của {𝑋, }, ước lượng của
* Thí dụ 6.1 {𝑋, } là một quá trình ARIMA(1,1,0) nếu với một 𝑎 nào
đó ∈ (−1,1)
trong đó
L H
𝑌, = (1 − 𝐵)𝑋, = HIF 𝑎 𝜀,KH .
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
diễn trong hình dưới đây, với các tự tương quan và tự tương quan riêng
Điểm đặc trưng nổi bật của bộ số liệu thích hợp với mô hình
ARIMA là việc giảm chậm của hàm tự tương quan mẫu. Và vì thế nếu
ta có số liệu và muốn tìm một mô hình thích hợp, thì điều tự nhiên là
{𝛻H 𝑋, } sẽ có hàm tự tương quan mẫu giảm nhanh tương thích với việc
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
một quá trình ARMA với đa thức AR không triệt tiêu gần vòng tròn
đơn vị. Với chuỗi thời gian đặc biệt đó, một áp dụng toán tử 𝛻 làm sản
sinh một thể hiện được vẽ trong hình dưới đây; hàm tự tương quan và
hàm tự tương quan riêng (hai hình tiếp theo) gợi ý mô hình AR(1) (hoặc
có thể AR(2) cho {𝛻𝑋, }. Các ước lượng ML thu được của a và 𝜎 = nhờ
phần mềm PEST dưới giả thiết 𝐸(𝛻𝑋, ) = 0 là 0,808 và 0,978 tương
Thay vì sai phân chuỗi gốc ta có thể bắt đầu trực tiếp hơn khi cố
gắng dựng một mô hình AR(2) như tự tương quan riêng của chuỗi ban
đầu đề xuất. Ước lượng ML theo PEST sau khi dựng mô hình thô với
(1 − 1,808𝐵 + 0,811𝐵 = ) 𝑋,
và mặc dù là dừng, các hệ số của nó gần giống với của quá trình thật
Từ một mẫu cỡ hữu hạn sẽ cực kỳ khó để phân biệt giữa một quá
trình không dừng (6.3) với 𝑎 ∗ (1) = 0, và một quá trình như (6.4) với
các hệ số rất giống nhưng 𝑎 ∗ (. ) có mọi không điểm nằm ngoài vòng
tròn đơn vị. Tuy vậy trong cả hai trường hợp, nếu có thể lấy sai phân
để sinh ra chuỗi với tự tương quan mẫu giảm nhanh, thì tập số liệu đã
sai phân có thể dùng dựng một quá trình ARMA cấp thấp mà đa thức
AR 𝑎 ∗ (. ) có không điểm thoải mái nằm ngoài vòng tròn đơn vị. Điều
đó có nghĩa là các tham số tìm được sẽ khá xa biên của tập tham số
được phép. Đó là điều mong muốn cho tính toán số các tham số và có
thể hoàn toàn nguy hiểm cho một số phương pháp ước lượng. Chẳng
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
hạn, nếu ta áp dụng phương trình Yule – Walker để xây dựng mô hình
xác nhận sự tương đồng ít với mô hình ML khác (6.4) hoặc mô hình
thật (6.3). Trong trường hợp này ma trận Toeplitz gần suy biến.
Một giới hạn rõ ràng khi xây dựng một quá trình ARIMA(𝑝, 𝑑, 𝑞)
{𝑋, } cho bộ số liệu là {𝑋, } được phép trở thành không dừng chỉ trong
trường hợp rất đặc biệt, tức là khi cho phép đa thức 𝑎 ∗ (𝐵) trong biểu
hợp khi tự tương quan mẫu là hàm dương giảm chậm như trong thí dụ
6.1, vì các hàm tự tương quan mẫu dạng đó liên quan đến mô hình
Tự tương quan mẫu dạng sin tắt chậm liên quan đến mô hình
(−𝜋, 𝜋] khác 0. Hình vẽ sau cho tự tương quan mẫu của 200 quan sát
Hàm tự tương quan của mô hình (6.6) có thể thu được khi để ý
sin (ℎ𝜔+𝜓)
𝜌(ℎ) = 𝑟 K" , ℎ ≥ 0, (6.8)
𝑠𝑖𝑛𝜓
trong đó
m n o"
tan𝜓 = tan𝜔. (6.9)
m n K"
Với 𝑟 = 1,005 và 𝜔 = 𝜋/3 như trong mô hình được vẽ trên đồ thị trên
đây, hàm tự tương quan trong (6.8) là sóng hình sin tắt dần với tỷ lệ tắt
dần là 1/1,005 và chu kỳ 6. Các tính chất đó được phản ánh trong hàm
tự tương quan được vẽ trong hình bên cạnh. Với các giá trị 𝑟 gần 1 hơn,
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
sự tắt dần sẽ có thể chậm hơn, như hàm tự tương quan của mô hình
Nếu số liệu được cho vẽ trên hình trái ở trên mà không có chỉ dẫn
về mô hình cảm sinh ra nó, hàm tự tương quan mẫu dạng sin tắt dần
chậm với chu kỳ 6 sẽ đề xuất thử trở thành hàm tự tương quan mẫu
giảm nhanh hơn bằng việc áp dụng toán tử (6.7) với 𝑟 = 1 và 𝜔 = 𝜋/3,
tức là 1 − 𝐵 + 𝐵 = . Nếu việc này xảy ra, chu kỳ 2𝜋/3 sẽ gần một số
nguyên 𝑠 nào đó (trong trường hợp này là 6), thì toán tử 1 − 𝐵 t cũng
có thể được áp dụng để tạo ra chuỗi với hàm tự tương quan giảm nhanh
hơn. Hai hình vẽ sau cho thấy các hàm tự tương quan mẫu thu được sau
liệu mô phỏng ở trên. Cho mỗi chuỗi sai phân, không khó để dựng một
mô hình ARMA 𝑎(𝐵)𝑋, = 𝑏(𝐵)𝜀, , sao cho các không điểm của 𝑎(. )
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
nằm ngoài vòng tròn đơn vị. Để thuận tiện ta nhắc lại kỹ thuật nhận
dạng và xác định các mô hình ARMA như vậy (đã xét ở chương 5).
(a) Các phép biến đổi thô. Nếu số liệu có các đặc trưng biểu hiện tính
không dừng (chẳng hạn như khuynh và mùa), thì cần thiết phải thực
hiện phép biến đổi tạo ra các chuỗi mới tương thích với giả thiết dừng.
Sự lệch lạc khỏi tính dừng có thể thấy trên đồ thị của chuỗi hoặc qua
Việc xem xét kỹ đồ thị chuỗi đôi lúc phát hiện sự phụ thuộc mạnh
vào biến động mức của chuỗi, trong trường hợp này đầu tiên nên biến
đổi số liệu để giảm hoặc khử sự phụ thuộc đó. Trong hình bên trái dưới
đây cho thấy mức bán rượu vang đỏ Úc hàng tháng từ tháng 1/1980 đến
10/1991, và hình bên trái cho thấy làm thế nào để giảm sự biến động
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
tăng của mức bán bằng việc lấy lô ga tự nhiên chuỗi gốc. Phép biến đổi
lô ga 𝑉, = ln𝑈, được dùng ở đây là phù hợp mỗi khi {𝑈, } là chuỗi có
độ lệch chuẩn tăng tuyến tính với trung bình. Với các ghi chép mang
tính hệ thống về lớp tổng quát các phép biến đổi ổn định phương sai,
Trên thực tế, nếu phép biến đổi Box – Cox là cần thiết, thường đó là
Khuynh và mùa thường được phát hiện khi xem xét kỹ đồ thị
chuỗi (có thể cả chuỗi đã biến đổi). Tuy nhiên chúng cũng được đặc
trưng bởi việc hàm tự tương quan giảm chậm và gần tuần hoàn tương
ứng. Việc khử khuynh và mùa được thực hiện bằng hai phương pháp:
1. ‘khai triển cổ điển” chuỗi thành các thành phần khuynh, mùa và
Phần mềm PEST đề xuất lựa chọn giữa hai kỹ thuật trên, kết quả áp
dụng hai phương pháp đó cho số liệu vang đỏ đã biến đổi 𝑉, = ln𝑈,
được trình bày trong hai hình sau đây. Hình trái nhận được từ PEST
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
bằng ước lượng và loại khuynh tuyến tính và thành phần mùa với chu
Không có kết quả nào để lộ ra độ lệch rõ ràng khỏi tính dừng, kể cả các
hàm tự tương quan mẫu. Tự tương quan mẫu và tự tương quan riêng
mẫu của {(1 − 𝐵"= )𝑉, } được trình bày trong hai hình sau.
Sau khi loại khuynh và mùa, vẫn còn có thể xảy ra việc hàm tự tương
quan là của quá trình không dừng (hoặc gần không dừng), trong trường
hợp này việc lấy sai phân có thể tiến hành tiếp.
(b) Nhận dạng và ước lượng. Cho {𝑋, } là chuỗi đã biến đổi, quy tâm.
Vấn đề hiện nay là tìm một chuỗi ARMA(𝑝, 𝑞) phù hợp nhất để biểu
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
diễn {𝑋, }. Thông thường 𝑝 và 𝑞 không biết trước và cần thiết phải nhận
Đầu tiên hình như giá trị 𝑝 và 𝑞 được chọn càng lớn thì mô hình
dựng được càng tốt. Tuy nhiên ước lượng một số lượng lớn tham số
đưa tới các sai số ước lượng ảnh hưởng ngược lại đến việc dùng mô
hình đã dựng để dự báo. Vì vậy ta tối thiểu một trong những tiêu chuẩn
lựa chọn mô hình đã bàn ở chương 5 nhằm chọn các giá trị của 𝑝 và 𝑞.
Mỗi tiêu chuẩn bao gồm số hạng phạt để không khuyến khích dùng quá
nhiều tham số. Ta chọn 𝑝 và 𝑞 thô dựa trên làm cực tiểu thống kê AICC
Gauss với các tham số 𝒂, 𝒃, 𝜎 = và 𝑆(𝒂, 𝒃) là tổng các bình phương phần
dư. Một khi mô hình tìm được làm tối thiểu giá trị AICC, thì cần phải
kiểm tra tính hợp lý của mô hình đã dựng (cần phải kiểm tra xem các
Đối với các giá trị cố định nào đó của 𝑝 và 𝑞, ước lượng ML của
𝒂 và 𝒃 là các giá trị làm tối thiểu AICC. Hơn nữa, mô hình AICC tối
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
thiểu có thể được tìm bằng việc tính bộ ước lượng ML cho mỗi 𝑝 và 𝑞
và chọn từ đó mô hình ML với giá trị AICC bé nhất. Tuy nhiên việc
ước lượng ML chính xác là tương đối lâu, nên tiện hơn là dùng ý tưởng
thô của bậc tối ưu bằng việc tìm các ước lượng thô của 𝒂 và 𝒃 và tính
các gía trị AICC tương ứng từ (6.11). Ước lượng thô của 𝑝 và 𝑞 là các
giá trị sao cho AICC của các ước lượng hệ số thô là cực tiểu.
• Sau khi biến đổi số liệu (nếu cần thiết) ta lập một mô hình dừng
hợp lý, kiểm tra các hàm tự tương quan và tự tương quan riêng mẫu để
• Dùng phần mềm (PEST) ước lượng thô các hệ số để lựa chọn 𝑝
và 𝑞.
hình thô.
• Từ các mô hình ML đã dựng chọn lấy một với giá trị AICC bé
nhất, lập danh sách các mô hình dự bị có giá trị AICC gần với cực tiểu.
• Việc kiểm tra các hệ số tìm được và sai số chuẩn có thể gợi ý một
số hệ số có thể đặt bằng không. Việc tối ưu cho ta mô hình ML với các
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
hệ số được chọn đặt bằng 0 và mô hình được đánh giá bằng cách so
sánh giá trị AICC của nó với của các mô hình dự bị khác.
Cho {𝑋" , … , 𝑋"€F } là ký hiệu chuỗi thu được từ số liệu rượu vang đỏ
trong thí dụ chương 5 sau khi lấy lô ga tự nhiên, sai phân bậc 12 và quy
tâm (trừ đi trung bình 0,0681). Đồ thị của số liệu đã quy tâm đã cho
trong mục này. Hàm tự tương quan riêng mẫu của {𝑋, } cho gợi ý là mô
hình AR(12) có thể thích hợp cho chuỗi đó. Dùng phần mềm PEST và
thuật toán Burg ta dựng được mô hình Burg với AICC cực tiểu khi 𝑝 =
12
và giá trị AICC −158,77. Mặt khác PEST cho ta mô hình ML AR(12)
rất giống với mô hình Burg và có giá trị AICC −158,87. Việc xem xét
với {𝜀, }~ WN(0; 0,0138) và giá trị AICC −172,49. Hàm tự tương
quan mẫu gợi ý mô hình MA cũng có thể thích hợp đối với tập số liệu
đã cho. Nếu ta kiểm tra các mô hình thô MA(𝑞) có bậc từ 1 đến 13 dùng
hoặc các đổi mới hoặc thuật toán Hannan – Rissanen, ta tìm được mô
hình AICC cực tiểu là mô hình thu được từ thuật toán đổi mới với 𝑞 =
13. Dùng PEST tìm mô hình thô MA(13) với hợp lý cực đại, ta thu
được mô hình MA(13) với giá trị AICC bằng −172,53. Việc xem xét
các sai số chuẩn của ước lượng hệ số cho thấy khả năng đặt các hệ số
với {𝜀, }~ WN(0; 0,0110) và giá trị AICC −181,52. Để kiểm tra các
mô hình ARMA (𝑝, 𝑞) với cả hai 𝑝 và 𝑞 lớn hơn không ta lại dùng
PEST. Một quy trình tìm tiện lợi ban đầu là cho 𝑝 = 𝑞 và tăng dần từ 𝑝
= 0 dùng thuật toán Hannan – Rissanen (thuật toán đổi mới cho mô
hình hỗn hợp có khuynh hướng dẫn đến mô hình không nhân quả và
không thể dùng để bắt đầu ước lượng ML). Có thể thấy rõ là AICC của
mô hình hỗn hợp thô chắc chắn kém hơn các mô hình thuần AR và MA.
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
Ở đây mô hình hứa hẹn nhất là MA(13). Ta thấy mọi kiểm định phù
hợp đều qua được và các tự tương quan và tự tương quan riêng mẫu
của phần dư của mô hình con MA(13) thích ứng hơn với ồn trắng so
với AR(12), đồng thời chắc chắn có giá trị AICC bé hơn. Mặc dù mô
hình này không khả nghịch, PEST không yêu cầu điều đó và thuật toán
được dùng ở đây có thể tính chính xác các ước lượng và sai số MS cho
hình không khả nghịch phương sai ồn trắng và sai số dự đoán MS một
Cho {𝑋, , 𝑡 = 1, … ,98} ký hiệu cho số liệu hồ đã quy tâm. Tiến hành
các tìm kiếm có tính hệ thống mô hình AICC cực tiểu, ta bắt đầu với
ước lượng AR thô, chọn bậc −1 và dùng thuật toán Burg. Điều đó cho
ta bậc 𝑝 = 2 của mô hình Burg thô với giá trị AICC bé nhất. Tương tự
lớn hơn một chút so với mô hình Burg). Kiểm tra các mô hình MA thô
được dựng dùng thuật toán đổi mới, ta tìm được mô hình AICC cực
bé nhất có 𝑞 = 7 (nhưng AICC lớn hơn một chút so với mô hình đổi
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
mới). Kiểm tra các mô hình hỗn hợp thô (tức là các mô hình có 𝑝 và 𝑞
lớn hơn 0), ta thấy cả hai thuật toán Hannan – Rissanen và đổi mới dho
AICC cực tiểu tại 𝑝 = 𝑞 = 1, với thuật toán sau cho mô hình với AICC
bé hơn một chút. Cũng để ý đối với mô hình bậc cao hơn phương pháp
đổi mới có khuynh hướng để cho mô hình không nhân quả so với
Hannan – Rissanen. Ước lượng thô đề xuất ba mô hình ứng viên AR(2),
MA(7) và ARMA(1,1). Để kết thúc việc lựa chọn ta cần thực hiện ước
lượng ML và tìm mô hình AICC cực tiểu như là mô hình ban đầu cho
cực đại hàm hợp lý. Ta tìm được mô hình ML ARMA(1,1) cho giá trị
Vấn đề nghiệm đơn vị trong chuỗi thời gian xuất hiện khi đa thức
AR hoặc MA của một mô hình ARMA có nghiệm nằm trên hoặc gần
vòng tròn đơn vị. Nghiệm đơn vị trong các đa thức đó có liên quan quan
trọng cho mô hình hoá.. Chẳng hạn, nghiệm gần 1 của đa thức AR gợi
ý rằng số liệu có thể được sai phân trước khi dựng mô hình ARMA,
trong khi nghiệm gần 1 của đa thức MA cho thấy số liệu bị quá khả sai
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
phân (overdifferenced). Trong tiết này ta xem xét quy trình suy luận để
Trong tiết 1 ta đã bàn về việc dùng sai phân để biến đổi một chuỗi
thời gian không dừng với hàm tự tương quan mẫu giảm chậm và các
giá trị gần 1 tại các trễ bé thành chuỗi với tự tương quan mẫu giảm
nhanh. Bậc sai phân của chuỗi {𝑋, } được xác định bằng áp dụng toán
tử sai phân liên tiếp cho đến khi tự tương quan mẫu của {𝛻 5 𝑋, } giảm
nhanh. Chuỗi thời gian đã sai phân có thể là mô hình của một quá trình
nghiệm trên vòng tròn đơn vị. Ta sẽ bàn cách tiếp cận hệ thống nhằm
kiểm định sự có mặt nghiệm đơn vị của đa thức AR để quyết định xem
trong đó 𝑎" < 1 và 𝜇 = 𝐸𝑋, . Với 𝑛 lớn, ước lượng ML 𝑎" của 𝑎" sẽ
xấp xỉ chuẩn 𝒩(𝑎" , (1 − 𝑎"= )/𝑛). Đối với trường hợp nghiệm đơn vị,
xấp xỉ chuẩn này không còn dùng được, ngay cả theo kiểu tiệm cận, và
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
không thể được sử dụng để kiểm định giả thuyết nghiệm đơn vị 𝐻F : 𝑎"
= 1 với 𝐻" : 𝑎" < 1. Để xây dựng kiểm định 𝐻F , ta viết lại (6.11)
trong đó 𝑎F∗ = 𝜇(1 − 𝑎" ) và 𝑎"∗ = 𝑎" − 1. Bây giờ cho 𝑎"∗ là ước lượng
bình phương bé nhất thông thường (OLS – ordinary least squares) của
𝑎"∗ tìm được bằng tính hồi quy của 𝛻𝑋, theo 1 và 𝑋,K" . Ước lượng của
%
𝑆𝐸(𝑎"∗ ) = 𝑆/ ,I=(𝑋,K" − 𝑋)= "/=
,
%
trong đó 𝑆 = = ,I= 𝛻𝑋, − 𝑎F∗ − 𝑎"∗ 𝑋,K" =
/(𝑛 − 3) và 𝑋 là trung bình
mẫu của 𝑋" , … , 𝑋%K" . Dickey và Fuller đã tìm ra phân phối giới hạn khi
𝑛 → ∞ của 𝑡-tỷ số
dưới giả thiết nghiệm đơn vị 𝑎"∗ = 0, từ đó có thể xây dựng kiểm định
giả thuyết gốc 𝐻F : 𝑎" = 1. Các phân vị 0,01; 0,05 và 0,10 của phân phối
giới hạn của 𝜏• (xem bảng Fuller, 1976) lần lượt là −3,43; −2,86 và
−2,57. Theo Dickey-Fuller ta bác bỏ giả thuyết gốc về nghiệm đơn vị,
với mức 0,05 nếu 𝜏• < −2,86. Để ý giá trị ngưỡng của thống kê kiểm
định bé hơn nhiều giá trị ngưỡng tiêu chuẩn −1,645 thu được từ xấp xỉ
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
chuẩn cho phân phối 𝑡, nên giả thuyết nghiệm đơn vị khó có khả năng
bị bác bỏ hơn khi dùng phân phối giới hạn chính xác.
Quy trình trên có thể mở rộng cho trường hợp {𝑋, } tuân theo mô
ˆ ˆ
trong đó 𝑎F∗ = 𝜇(1 − 𝑎" − ⋯ − 𝑎ˆ ), 𝑎"∗ = [I" 𝑎[ − 1 và 𝑎H∗ = [IH 𝑎[ ,
và chuỗi đã lấy sai phân {𝛻𝑋, } là quá trình AR(𝑝 − 1). Hệ quả là kiểm
định giả thuyết về nghiệm đơn vị tại 1 của đa thức AR tương đương với
kiểm định 𝑎"∗ = 0. Như trong thí dụ AR(1), 𝑎"∗ có thể ước lượng như là
hệ số của 𝑋,K" trong hồi quy OLS của 𝛻𝑋, với 1, 𝑋,K" , 𝛻𝑋,K" ,…,
trong đó 𝑆𝐸(𝑎"∗ ) là ước lượng của sai số chuẩn của 𝑎"∗ , có cùng phân
phối giới hạn như thống kê trong (6.13). Kiểm định mở rộng Dickey-
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
Fuller trong trường hợp này được áp dụng cùng kiểu như cho trường
hợp AR(1) dùng thống kê (6.15) và giá trị ngưỡng như đã cho ở trên.
* Thí dụ 6.4 Xét kiểm định chuỗi thời gian trong thí dụ 6.1 về sự có
mặt của nghiệm đơn vị trong toán tử AR. Hàm tự tương quan riêng mẫu
gợi ý dựng mô hình AR(2) hoặc có thể AR(3). Lấy hồi quy của 𝛻𝑋,
nghiệm đơn vị là
KF,FF•"
𝜏• = = −1,464.
F,FF=„
Vì −1,464 > −2,57, giả thuyết nghiệm đơn vị không thể bác bỏ với
mức 0,10. Ngược lại, nếu ta nhầm lẫn dùng phân phối 𝑡 với 193 bậc tự
do như là xấp xỉ cho 𝜏• , thì ta có thể bác bỏ giả thuyết nghiệm đơn vị
với mức 0,10 (𝑝-giá trị là 0,074). Tỷ số 𝑡 cho các hệ số khác 𝑎F∗ , 𝑎=∗ và
𝑎€∗ có phân phối 𝑡 xấp xỉ với 193 bậc tự do. Dựa trên các tỷ số 𝑡 đó, cận
chặn có thể bằng 0 khi hệ số của 𝛻𝑋,K= vừa đủ có nghĩa. Sự hiển nhiên
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
đó càng rõ hơn nhiều nghiêng về nghiệm đơn vị nếu phân tích lặp lại
mà không có số hạng trung bình. Mô hình dựng trong trường hợp này
với {𝜀, } ~ WN(0; 0,9677). Giá trị ngưỡng 0,01, 0,05 và 0,10 cho thống
kê kiểm định tương ứng, khi thành phần trung bình bị loại khỏi mô
KF,FF"=
𝜏= = −0,667
F,FF"„
thuộc vào ứng dụng mô hình hoá. Chẳng hạn, cho {𝑋, } là một quá trình
khả nghịch với đa thức MA 𝑏(𝑧)(1 − 𝑧). Hệ quả là việc kiểm định
nghiệm đơn vị trong đa thức MA tương đương với kiểm định rằng chuỗi
Như là ứng dụng thứ hai, có thể phân biệt giữa các mô hình
cạnh tranh
𝛻‘ 𝑋, = 𝑎 + 𝑉,
và 𝑋, = 𝑐F + 𝑐F 𝑡 + ⋯ + 𝑐F 𝑡 ‘ + 𝑊, ,
trong đó {𝑉, } và {𝑊, } là các quá trình ARMA khả nghịch. Với mô
hình đầu chuỗi sai phân {𝛻‘ 𝑋, } không có nghiệm đơn vị MA, trong
có thể phân biệt giữa hai mô hình bằng việc dùng các giá trị quan sát
trường hợp tổng quát khá phức tạp và chưa được giải quyết đầy đủ. Cho
(𝑏 là ước lượng ML) hội tụ theo luật phân phối. Kiểm định 𝐻F : 𝑏 = −1
với 𝐻" : 𝑏 > −1 có thể được tạo ra trên kết quả giới hạn này bằng việc
bác bỏ 𝐻F khi
𝑏 > −1 + 𝑐” /𝑛,
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
trong đó 𝑐” là phân vị (1 − 𝛼) của phân phối giới hạn của 𝑛(𝑏 + 1) (từ
6,80 và 𝑐F,"F = 4,90). Đặc biệt, nếu 𝑛 = 50, thì giả thuyết gốc bị bác
giả thuyết nghiệm đơn vị. Trong trường hợp này tỷ số hợp lý là
trong đó 𝐿(𝑏, 𝜎 = ) là hàm hợp lý Gauss của tập số liệu dựa trên mô hình
𝛼 nếu
–(K",—(K")/%)
𝜆% = −2ln > 𝑐–š,”
–(˜,™ n )
với giá trị ngưỡng được chọn sao cho 𝑃˜IK" (𝜆% > 𝑐–š,” ) = 𝛼. Phân
phối giới hạn của 𝜆% được Davis và cộng sự cung cấp (1995); họ cũng
cho phân vị lựa chọn của giới hạn. Người ta tìm được rằng các phân vị
này cung cấp một xấp xỉ tốt các đối trọng mẫu hữu hạn cho chuỗi thời
Về mặt cấu trúc, tham số MA có quan hệ với các phương sai sai số đo
n
˜ K™Ÿ
= n o™ n .
" o ˜n =™Ÿ
Các phương sai này tương ứng với khối lượng nhiên liệu ngày trong bể
chứa và lượng bổ sung ngày liên quan đến bán và cung cấp nhiên liệu.
Giá trị 𝑏 = −1 chỉ ra không có sai số đo đáng kể liên quan đến bán và
cung cấp nhiên liệu (tức 𝜎ž= = 0) và từ đó kiểm định cho nghiệm đơn vị
ở đây tương đương với kiểm định 𝜎•= = 0. Giả sử đã biết trung bình, giả
6,80/57 = −0,881. Sự hiển nhiên bác bỏ 𝐻F càng mạnh hơn nếu dùng
−597,267 = 7,317 với giá trị ngưỡng 𝑐–š;F,F" , ta bác bỏ 𝐻F với mức 𝛼
CHƯƠNG 6. MÔ HÌNH CHUỖI THỜI GIAN KHÔNG DỪNG VÀ CÓ MÙA
= 0,01 và kết luận rằng sai số đo liên quan đến bán và cung cấp nhiên
Trong thí dụ trên ta giả thiết là trung bình đã biết. Trong thực
tế, các kiểm định như thế này có thể tiến hành cho trường hợp trung