Студопедия КАТЕГОРИИ: АвтоАвтоматизацияАрхитектураАстрономияАудитБиологияБухгалтерияВоенное делоГенетикаГеографияГеологияГосударствоДомЖурналистика и СМИИзобретательствоИностранные языкиИнформатикаИскусствоИсторияКомпьютерыКулинарияКультураЛексикологияЛитератураЛогикаМаркетингМатематикаМашиностроениеМедицинаМенеджментМеталлы и СваркаМеханикаМузыкаНаселениеОбразованиеОхрана безопасности жизниОхрана ТрудаПедагогикаПолитикаПравоПриборостроениеПрограммированиеПроизводствоПромышленностьПсихологияРадиоРегилияСвязьСоциологияСпортСтандартизацияСтроительствоТехнологииТорговляТуризмФизикаФизиологияФилософияФинансыХимияХозяйствоЦеннообразованиеЧерчениеЭкологияЭконометрикаЭкономикаЭлектроникаЮриспунденкция |
Моделирование и прогнозирование временного ряда с помощью ARMA- и ARIMA- процессов __
7.1. Стационарные ВР и их основные характеристики. 7.2. Модели стационарных временных рядов. 7.3. Прогнозирование ARMA – процессов. 7.4. Методология Бокса – Дженкинса. Стационарные временные ряды и их основные характеристики Рассмотрим формальное определение стационарности. Стохастический процесс называется стационарным в сильном смысле (строго стационарным или стационарным в узком смысле), если совместное распределение вероятностей всех переменных точно то же самое, что и для переменных . Под стационарным процессом в слабом смысле (в широком смысле) понимается стохастический процесс, для которого среднее и дисперсия независимо от рассматриваемого периода времени имеют постоянное значение, а автоковариация зависит только от длины лага между рассматриваемыми переменными:
(8.1) Из этого следует, что автокорреляция будет зависеть только от сдвига по времени и не будет зависеть от . При анализе изменения в зависимости от временного сдвига принято говорить об автоковариационной функции. С понятием автоковариационной функции тесно связано понятие автокорреляционной функции (АКФ):
(8.2) Значения АКФ также характеризуют тесноту статистической связи между уровнями временного ряда, разделенными временными тактами. Однако, в отличие от значений автоковариационной функции они не зависят от масштаба измерения уровней временного ряда и подчиняются ограничению: . Выборочная оценка коэффициента автокорреляции может быть определена следующим образом:
(8.3) где - длина временного ряда; - временной сдвиг (лаг); - среднее значение временного ряда. Числитель выражения представляет выборочную оценку коэффициента автоковариации. В практических руководствах рекомендуется поддерживать соотношение . Для стационарного временного ряда с увеличением АКФ должна демонстрировать свойство монотонного убывания по абсолютной величине, т.к. взаимосвязь между уровнями ряда с ростом ослабевает. Однако условие может нарушаться для выборочных АКФ[20]. Идея перенесения частной корреляции на временные ряды находит свое выражение в частной АКФ – ЧАКФ. С помощью ЧАКФ измеряется корреляция между уровнями ряда и , разделенными временными тактами, при исключении влияния на эту взаимосвязь всех промежуточных уровней ряда . Например, коэффициент частной автокорреляции при =2 будет определять корреляцию между уровнями временного ряда, разделенными двумя тактами времени, при условии, что значения промежуточных уровней зафиксированы на среднем уровне:
. (8.4)
Формула для расчета выборочной оценки частного коэффициента автокорреляции:
. (8.5)
Например, 1- го порядка между и при устранении влияния :
, (8.6)
где - коэффициент корреляции между и - коэффициент корреляции между и - коэффициент корреляции между и . В практической аналитической работе стационарность временного ярда означает отсутствие[21]: · тренда; · систематических изменений дисперсии; · строго периодичных флуктуаций; · систематически изменяющихся взаимосвязей между элементами временного ряда. |
||
Последнее изменение этой страницы: 2018-04-12; просмотров: 336. stydopedya.ru не претендует на авторское право материалов, которые вылажены, но предоставляет бесплатный доступ к ним. В случае нарушения авторского права или персональных данных напишите сюда... |