时间序列之AR(自回归模型)
来源:互联网 发布:期货 可用资金算法 编辑:程序博客网 时间:2024/05/17 00:18
一个序列经过预处理被识别为平稳非白噪声序列,那就说明该序列是一个蕴含着相关信息的平稳序列。在统计上我们通常是建立一个线性的模型来拟合该序列的发展,借此提取该序列中的有用信息,ARMA是目前最常用的平稳序列拟合模型。
AR模型
具有下列结构的模型称为p阶自回归模型:
当时,自回归模型又称中心AR(p)模型,非中心化AR(p)序列都可以通过下面的变换转化为中心化AR(p)序列。中心化变化实质就是非中心化序列整个平移了一个常数位移,这种整体移动对序列值之间的相关关系没有任何影响,所以在今后的分析AR模型的相关关系时,都可以简化成对它中心化模型进行分析。
AR模型平稳性差别
要拟合一个平稳序列的发展,用来拟合的模型显然也应该是平稳的。AR模型是常用的平稳序列的拟合模型之一,但并非所有的AR模型都是平衡的。
R提供了多种序列拟合模型,这里是最常用的两种。
arima.sim函数拟合
这是一个便捷的序列拟合函数,它可以拟合平衡AR序列,MA序列、平衡ARMA序列,以及ARIMA序列。
式中:
arima.sim(n,list(ar= ,ma= ,order=),sd=)
-n:拟合序列长度
-list:指定具体的模型常数,其中:
(1)拟合平稳AR(p)模型,要给出自回归系数。如果指定拟合的AR模型是非平稳模型,系统会报错。
(2)拟合MA(q)模型,要给出移动平均系数。
(3)拟合平稳ARMA(p,q)模型,除了需要给出自回归系数与移动平均系数。如果指定拟合的ARMA模型为非平稳模型,系统会报错。
(4)拟合ARIMA(p,d,q)模型,除了需要给出的自回归系数和移动平均系数,还需要添加order选项.order = c(p,d,q),p为自回归系数,d为差分系数,q为移动平均阶数。
-sd:指定序列的标准差,不特殊指定,系统默认:sd = 1.
filter函数可以拟合AR序列(无论是否平稳)和MA序列.filter函数的命令格式为:
filter(e,filter =,method =,circular =)
-e:随机波动序列的变量名
-filter:指定模型系数,其中
(1)AR(P)模型为filter = c(o1,o2,…,op);
(2)MA(q)模型为filter = c(1,-o1,-o2,…,-oq);
-method:指定拟合AR模型还是MA模型
(1)method= “recursive”为AR模型
(2)method= “convolution”为MA模型
-circular:拟合MA模型时专用的一个选项,circular = T,可以避免NA数据出现。
考察如下四个序列的序列值,并绘制时序图:
(一)第一个式子
x1 = arima.sim(n=100,list(ar=0.8))ts.plot(x1)
可以看出这个模型是平稳的
(三)第三个式子
x3 = arima.sim(n=100,list(ar=c(1,-0.5)))ts.plot(x3)
可以看出这个模型是平稳的
(二)第二个式子
e = rnorm(100)x2 = filter(e,filter = -1.1,method = "recursive")ts.plot(x2)
可以看出这个模型是非平稳的
(四)第四个式子
e = rnorm(100)x4 = filter(e,filter= c(1,0.5),method = "recursive")ts.plot(x4)
可以看出这个模型是平稳的
图示法是一种粗糙的直观判别方法,我们有了两种准确的平稳差别方法:特征根判别和平稳域判别。
特征根判别
实际上是要求AR(p)模型的p个特征根都在单位圆内,所以AR(p)模型平稳的充要条件是它的p个特征根都在单位圆内。
根据特征根和自回归系数多项式的根成倒数的性质,AR模型平稳的等价判别条件是该AR模型的自回归系数的多项式的根,都在单位圆外。平稳域差别
对于一个AR(p)模型而言,如果没有平稳性的要求,实际也意味着对参数向量没有任何限制,它们可以取遍p维欧式空间的任意一点,但是如果加了平稳性限制,参数向量就只能取p维欧式空间的一个子集,使得特征根都在单位圆的系数集合,称为AR(p)模型的平稳域。
对于低阶AR模型用平稳域的方法判别更加简便。
(1)AR(1)平稳域是【-1,1】
(2)AR(2)平稳域是一个三角型区域
分别用特征根法判别三个模型:
特征根与平稳域判别法
自相关系数的性质
1.一是拖尾性。
2.指数衰减。
考查如下四个平稳的AR模型的自相关图
x1 = arima.sim(n=1000,list(ar=0.8))acf(x1)
x2 = arima.sim(n=1000,list(ar=-0.8))acf(x2)
x3 = arima.sim(n=1000,list(ar=c(1,-0.5)))acf(x3)
x4 = arima.sim(n=1000,list(ar=c(-1,-0.5)))acf(x4 )
从图中可以看出, 这四个平稳的AR模型,不论他们是AR1模型还是AR2模型,不论他们的特征根是实根还是复根,是正根还是负根,它们的自相关性都呈现出拖尾性与呈指数衰减到零值附近的性质。
但是由于特征根的不同,它们自相关系数的衰减方式不一样,有的自相关系数是按指数衰减到零(如模型1),有的是正负间的衰减(如模型2),还有些自回归系数会呈现出类似周期性的余弦衰减,即具有“伪周期”特征(如模型3),这些都是平稳模型自相关性常见的特征。
偏相关性系数
对于一个平稳AR(p)模型,求出滞后k自相关系数时,实际上并不是x(t)与x(t-k)之间单纯的相关关系,因为x(t)同时还会受到中间(k-1) 个随机变量的影响,而这(k-1)个随机变量又都和x(t-k)具有相关关系,所以自相关系数里实际上掺杂了其他变量对x(k)和x(t-k)的相关影响,为了单纯了测量x(t-k)对x(k)的影响,引进的偏自相关性系数的概率。
平稳的AR(p)模型的偏自相关系数具有p步截尾性。
pacf(x1)pacf(x2)pacf(x3)pacf(x4)
由于样本的随机性,样本偏自相关系数不会和理论偏自相关系数一样严格截尾,但是可以看出两个AR(1)模型的样本偏自相关系数1阶显著不为0,1阶之后都近似为0,而两个AR(2)模型的样本的偏自相关系数,2阶之后都近似
为零。样本的偏自相关图可以直观的验证AR模型偏自相关系数截尾性。
- 时间序列之AR(自回归模型)
- 金融时间序列分析:4. AR自回归模型
- 时间序列回归模型
- 自回归模型(AR Model)
- 时间序列分析之AR模型、MA模型和ARMA模型(二)
- 金融时间序列分析:9. ARMA自回归移动平均模型
- 自回归AR模型、移动平均MA模型与自回归移动平均ARMA模型的比较分析
- 自回归模型(AR)、移动平均模型(MA)、自回归移动平均模型(ARMA)以及差分自回归移动平均模型(ARIMA)辨析
- 时间序列分析这件小事(四)--AR模型
- 金融时间序列分析:5. AR模型实例(Python)
- 如何判断时间序列AR(p)和MA(q)模型
- 时间序列之差分自回归移动平均法(ARIMA)
- 基于自回归模型(AR)的自适应阈值的残差比异常检测
- [时间序列分析][4]--AR模型,MA模型,ARMA模型介绍
- 时间序列分析这件小事(二)--自回归
- 时间序列模型之灰度模型
- 自回归纹理模型
- 数据分析之《菜鸟侦探挑战数据分析》-6-r语言-时间序列-逻辑回归分析-自相关-日历图
- 安卓学习
- d3画树形图
- webview网页加载为加载完成引起的崩溃
- 20个android开源项目
- matlab guide未定义与 'matlab.ui.control.UIControl' 类型的输入参数相对应的函数
- 时间序列之AR(自回归模型)
- thinkphp5学习入门
- python 安装PIL Python Imaging Library
- Linux基础(三)
- web基础开发(六)
- 如何使用索引提高查询速度
- eclipse 查看原始类出现The jar file rt.jar has no source attachment解决方法
- [JLOI2013]删除物品 树状数组
- 判断链表中是否有环 ----- 有关单链表中环的问题