Interested Article - Авторегрессионная модель
- 2021-06-05
- 1
Авторегрессионная ( AR- ) модель ( англ. autoregressive model ) — модель временных рядов , в которой значения временного ряда в данный момент линейно зависят от предыдущих значений этого же ряда. Авторегрессионный процесс порядка p (AR( p )-процесс) определяется следующим образом
где — параметры модели (коэффициенты авторегрессии), — постоянная (часто для упрощения предполагается равной нулю), а — белый шум .
Простейшим примером является авторегрессионный процесс первого порядка AR(1)-процесс:
Для данного процесса коэффициент авторегрессии совпадает с коэффициентом автокорреляции первого порядка.
Другой простой процесс — процесс Юла — AR(2)-процесс:
Операторное представление
Если ввести лаговый оператор , то авторегрессионную модель можно представить следующим образом
или
Стационарность авторегрессионного процесса зависит от корней характеристического полинома . Для того чтобы процесс был стационарным , достаточно, чтобы все корни характеристического полинома лежали вне единичного круга в комплексной плоскости .
В частности, для AR(1)-процесса , следовательно корень этого полинома , поэтому условие стационарности можно записать в виде , то есть коэффициент авторегрессии (он же в данном случае коэффициент автокорреляции) должен быть строго меньше 1 по модулю.
Для AR(2)-процесса можно показать, что условия стационарности имеют вид: .
Стационарные AR-процессы допускают разложение Вольда — представление в виде бесконечного MA-процесса :
Первое слагаемое представляет собой математическое ожидание AR-процесса. Если c=0, то математическое ожидание процесса также равно нулю.
Автокорреляционная функция
Можно показать, что автоковариационная и автокорреляционная функции AR(p)-процесса удовлетворяют рекуррентным соотношениям:
В простейшем случае AR(1)-процесса, математическое ожидание равно , дисперсия , а автокорреляции .
В общем случае выражение для математического ожидания через параметры модели было указано выше, однако, выражение для дисперсии временного ряда — существенно усложняется. Можно показать, что дисперсия ряда и вектор автоковариаций выражаются через параметры следующим образом:
,
где -вектор параметров, -матрица порядка , элементы которой определяются следующим образом. Диагональные элементы равны . Элементы выше диагонали равны , а элементы ниже диагонали равны . Здесь подразумевается, что если индекс превышает порядок модели , то соответствующая величина приравнивается к нулю.
В частности, для AR(1)-процесса матрица равна просто единице, следовательно, , что соответствует вышеуказанной формуле.
Для -процесса матрица — второго порядка определяется следующим образом: первая строка равна ( ;0), вторая — ( ;1). Применив вышеуказанную формулу можно получить следующее выражение для дисперсии данного процесса:
На практике формулы для дисперсии процесса, выраженной через параметры модели обычно не применяются, а используется следующее выражение через ковариации:
Автокорреляционная функция авторегрессионого процесса экспоненциально затухает с возможной осцилляцией (осцилляции зависят от наличия комплексных корней у характеристического полинома). При этом частная автокорреляционная функция при k>p равна нулю. Это свойство используется для идентификации порядка AR-модели по выборочной частной автокорреляционной функции временного ряда.
Для AR(1)-процесса автокорреляционная функция — экспоненциально затухающая функция (без осцилляций), если выполнено условие стационарности. Частная автокорреляционная функция первого порядка равна r, а для более высоких порядков равна 0.
Оценка параметров модели
Учитывая чётность автокорреляционной функции и используя рекуррентное соотношение для первых p автокорреляций, получаем систему уравнений Юла — Уокера :
или в матричной форме
Если использовать вместо истинных автокорреляций (неизвестных) выборочные автокорреляции, получим оценки неизвестных коэффициентов авторегрессии. Можно показать, что этот метод оценки эквивалентен обычному методу наименьших квадратов (МНК) . Если случайные ошибки модели имеют нормальное распределение, то данный метод также эквивалентен условному методу максимального правдоподобия . Для получения более точных оценок в последнем случае можно использовать полный метод максимального правдоподобия, в котором используется информация о распределении первых членов ряда. Например, в случае AR(1)-процесса распределение первого члена принимается равным безусловному распределению временного ряда (нормальное распределение с математическим ожиданием и безусловной дисперсией ряда).
Сезонные модели авторегрессии
С помощью AR-моделей можно моделировать сезонность. Такие модели обозначают SAR (Seasonal AR). Например, при наличии квартальных данных и предположении о квартальной сезонности можно построить следующую модель SAR(4):
Фактически это обычная AR-модель с ограничением на параметры модели (равенство нулю параметров при лагах менее 4). На практике сезонность может сочетаться с обычной авторегрессией, например:
В некоторых случаях оказываются полезными сезонные модели, у которых случайная ошибка подчиняется некоторому AR-процессу:
Нетрудно увидеть, что такую модель в операторной форме можно записать как:
Такую модель обозначают .
См. также
- Модель авторегрессии и распределённого лага
- Модель авторегрессии — скользящего среднего
- Модель скользящего среднего
- Векторная авторегрессия
- Лаговый оператор
Примечания
- . Дата обращения: 18 июля 2015. 21 июля 2015 года.
- . Дата обращения: 18 июля 2015. Архивировано из 21 июля 2015 года.
- 2021-06-05
- 1