文档介绍：第1章时间序列基础知识
本章导读
时间序列分析的一个重要特点,是对平稳时间序列和非平稳时间序列分别采取不同的建模策略。为了更好地理解平稳时间序列模型的性质,首先需要对平稳性有一个充分的认识;而了解线性差分方程解的表示,对于深入理解平稳性及模型相关性质都具有重要意义。
本章结构如下:;;;。
时间序列的基本概念
时间序列(time series)是按照时间顺序排列的一组随机变量。时间序列与随机过程紧密相关,在时间序列的理论研究过程中经常将其理解为一个随机过程。随机过程(stochastic process)是一组有序的随机变量,可以记为{y(t), tÎT }。随机过程一般是定义在连续集合上的,而定义在离散集合上的随机过程则通常称为时间序列。离散的时间集合T可以表示为T = {, -2, -1, 0, 1, 2,},此时y(t)是离散时间t的随机函数,时间序列通常表示为{yt, t =, -2, -1, 0, 1, 2,}。
时间序列在特定时间段上的观测样本可以视为随机过程的一次实现,通常称为样本序列,记为{y0, y1, y2,, yT}。理论上说,时间序列可以有无限个观测时间点,然而从实际可获得的样本数据来看,样本序列都是有限的。更加重要的是,由于时间的不可重复性,时间序列通常仅有一次实现,即只有一个样本序列。因此时间序列的经验研究的一个显著特点是,只能在唯一可观测到的样本序列的基础上来推测时间序列的总体特性。
简便起见,本书中有些时候将随机过程简称为过程,将时间序列简称为序列,都简记为{yt}。在不会导致混淆的情况下,样本序列也用{yt}表示。
时间序列的数字特征
我们用yt表示时间序列{yt}中t时刻的随机变量,用yk表示k时刻的随机变量,并作如下定义:
(1-1)
(1-2)
(1-3)
(1-4)
式(1-1)和式(1-2)表明yt的均值定义为、方差定义为。这里用下标t来标识特定时间点上随机变量的均值和方差。当t取尽所有可能时间点时,便形成了对应于时间序列{yt}的均值序列和方差序列。
式(1-3)表明yt和yk之间的自协方差定义为,这里之所以称其为“自”是由于它是取自于同一个时间序列不同时间点随机变量间的协方差。当t和k取尽所有可能时间点时,形成关于t和k的二元离散函数,称为自协方差函数。应当看到,当k = t时,自协方差就等于t时刻的方差,即
(1-5)
式(1-4)表明yt和yk之间的自相关系数定义为,该定义与随机变量间相关系数的定义类似,都揭示了标准化的相关关系。
时间序列自协方差和自相关系数的性质
(1)对称性
(1-6)
(2)非负定性
对任意m个时间点t1, t2,, tm,自协方差矩阵是对称非负定矩阵。
(1-7)
(1)规范性
且(1-8)
(2)对称性
(1-9)
(3)非负定性
对任意m个时间点t1, t2,, tm,自相关系数矩阵是对称非负定矩阵。
(1-10)
平稳性
在进行时间序列分析时,针对时间序列的平稳(stationary)和非平稳特性需要采取不同的建模方法进行研究,因此区分研究对象是平稳时间序列还是非平稳时间序列是时间序列分析的首要步骤。
时间序列分析理论中有两种平稳性定义,即所谓严平稳(strictly stationary)和弱平稳(weakly stationary)。严平稳也称强平稳(strongly stationary),它是在时间序列中各时刻随机变量联合分布函数的基础上定义的更为严格的平稳性。粗略地说,严平稳时间序列的所有统计性质都不随时间的变化而改变。
弱平稳也称协方差平稳(covariance stationary)、二阶平稳(second-order stationary)或宽平稳(wide-sense stationary),它是在时间序列二阶矩基础上定义的平稳性。简单来说,弱平稳时间序列的一阶矩和二阶矩不随时间的变化而改变。
一般来说,满足严平稳的序列也具有弱平稳性,但严平稳却并不能全部涵盖弱平稳。例如,如果一个严平稳时间序列不存在二阶矩或一阶矩(如柯西分布),则它就不满足弱平稳性。
另外,一个弱平稳序列的分布不一定满足不随时间的变化而改变,因此弱平稳序列并不一定严平稳。但如果时间序列为正态序列,则由于二阶矩描述了正态分布的所有统计性质,因此弱平稳的正态序列也是严平稳的。
平稳性的定义
【】如果时间序列{