Mittlere Darstellung autoregressiver Approximationen Peter Bhlmann Institut für Statistik, Universität von Kalifornien, Evans Hall, Berkeley, CA 94720, USA Online verfügbar am 5. April 2000. Wir untersuchen die Eigenschaften einer MA () - Darstellung einer autoregressiven Approximation für a Stationären, real-wertigen Prozess. Dabei geben wir eine Erweiterung des Wieners-Theorems im deterministischen Approximationsaufbau. Wenn wir mit Daten umgehen, können wir dieses neue Schlüsselelement verwenden, um einen Einblick in die Struktur von MA () - Darstellungen von eingebauten autoregressiven Modellen zu erhalten, wobei die Ordnung mit der Stichprobengröße zunimmt. Insbesondere geben wir eine einheitliche Schranke für die Schätzung der gleitenden Mittelwertkoeffizienten über autoregressive Approximation, die über alle ganzen Zahlen gleich ist. AR () Causal Komplexe Analyse Impulsantwortfunktion Invertierbar Linearer Prozess MA () Mischen Zeitreihe Übertragungsfunktion Stationärer Prozess Referenzen An et al. 1982 H.-Z. Ein. Z.-G Chen. E. J. Hannan Autokorrelation, Autoregression und autoregressive Annäherung Ann. Statist. Band 10. 1982. pp. 926936 Corr: H.-Z. Ein. Z.-G Chen. E. J. Hannan Autokorrelation, Autoregression und autoregressive Annäherung Ann. Statist. Band 11, 1982. p. 1018 Berk, 1974 K. N. Berk Konstante autoregressive Spektralschätzungen Ann. Statist. Band 2. 1974. pp. 489502 Bhansali, 1989 R. J. Bhansali Schätzung der gleitenden durchschnittlichen Darstellung eines stationären Prozesses durch autoregressive Modellierung J. Zeitreihe Anal. Band 10, 1989. pp. 215232 Bhansali, 1992 R. J. Bhansali Autoregressive Schätzung der Vorhersage mittleren quadratischen Fehler und ein R 2 Maßnahme: eine Anwendung Neue Richtungen in der Zeitreihenanalyse. D. Brillinger. P. Caines. J. Geweke. E. Parzen. M. Rosenblatt. FRAU. Taqqu. 1992. Springer, New York. S. 924, Teil I, Bickel und Bhlmann, 1995, P. J. Bickel. P. Bhlmann Mischeigenschaft und funktionale zentrale Grenzwertsätze für einen Siebbootstrap in Zeitreihen, Tech. Rep. 440, 1995. Abt. Statistik, UC Berkeley, Berkeley, CA Brillinger, 1975, D. R. Brillinger Zeitreihe Datenanalyse und Theorie. 1975. Holt, Rinehart und Winston, New York Brockwell und Davis, 1987 P. J. Brockwell. R. A. Davis Zeitreihe: Theorie und Methoden 1987. Springer, New York Bhlmann, 1995 P. Bhlmann Siebbootstrap für Zeitreihen, Tech. Rep. 431. 1995. Abt. Statistik, UC Berkeley, Berkeley, CA Deistler und Hannan, 1988, M. Deistler. E. J. Hannan Die Statistische Theorie der Linearen Systeme 1988. Wiley, New York Doukhan, 1994 P. Doukhan Mischeigenschaften und Beispiele. Vorlesungsverzeichnis Statistik. Vol. 85. 1994. Springer, New York Durbin, 1960 J. Durbin Die Montage von Zeitreihenmodellen Rev. Internat. Statist. Inst. Band 28. 1960. pp. 233244 Efron, 1979 B. Efron Bootstrap-Methoden: ein weiterer Blick auf das Messer Ann. Statist. Band 7. 1979. pp. 126 Gelfand et al. 1964 I. Gelfand. D. Raikov. G. Shilov Commutative Normed Rings 1964. Chelsea, New York Hannan, 1987, E. J. Hannan Rationale Übertragungsfunktion Approximation Stat. Sci Band 5, 1987, S. 105138 Hannan und Kavalieris, 1986, E. J. Hannan. L. Kavalieris Regression, Autoregressionsmodelle J. Zeitreihe Anal. Band 7. 1986. S. 2749 Kreiss, 1988, J.-P. Kreiss Asymptotische statistische Schlussfolgerung für eine Klasse stochastischer Prozesse 1988. Habilitationsschrift, Universitt Hamburg, Hamburg, Deutschland Kromer, 1970 R. E Kromer Asymptotische Eigenschaften des autoregressiven Spektralschätzers, Ph. D. These. 1970. Abt. Statistik, Stanford University, Stanford, CA Lewis und Reinsel, 1985, R. A. Lewis. G. C. Reinsel Vorhersage multivariater Zeitreihen durch autoregressive Modellanpassung J. Multivariate Anal. Band 16 1985. pp. 393411 Ljung, 1978 L. Ljung Konvergenzanalyse von parametrischen Identifikationsverfahren IEEE Trans. Automat. Steuerung AC-23. 1978. pp. 770783 Ltkepohl, 1989 H. Ltkepohl Anmerkung zur asymptotischen Verteilung von Impulsantwortfunktionen von geschätzten VAR-Modellen mit orthogonalen Residuen J. Ökonometrie. Band 42. 1989. pp. 371376 Ltkepohl, 1991 H. Ltkepohl Einführung in die Zeitreihenanalyse 1991. Springer, Heidelberg Parzen, 1982 E. Parzen ARMA-Modelle zur Zeitreihenanalyse und Prognose J. Prognose. Band 1. 1982. pp. 6782 Paparoditis und Streitberg, 1992 E. Paparoditis. B. Streitberg Ordnungskennzahlen in stationären autoregressiven gleitenden Durchschnittsmodellen: Vektor Autokorrelationen und dem Bootstrap J. Zeitreihe Anal. Volume 13, 1992. pp. 415434 Ptscher, 1987, B. M. Ptscher-Konvergenz-Ergebnisse für Maximum-Likelihood-Typ-Schätzer in multivariaten ARMA-Modellen J. Multivariate Anal. Band 21 1987. p. 2952 Saikonen, 1986 P. Saikonen Asymptotische Eigenschaften einiger Vorabschätzer für autoregressive gleitende mittlere Zeitreihenmodelle J. Zeitreihe Anal. Band 7. 1986. S. 133155 Silvia und Robinson, 1979, M. T. Silvia. E. A. Robinson Dekonvolution der geophysikalischen Zeitreihen in der Exploration für Erdöl und Erdgas 1979. Elsevier, Amsterdam Wiener, 1993 N. Wiener Das Fourier-Integral und einige seiner Anwendungen 1993. Cambridge Univ. Press, Cambridge Withers und Withers, 1981 C. S. Withers Zentrale Grenzwertsätze für abhängige Variablen I Z. Wahrsch. Verw. Gebiete Band 57. 1981. pp. 509534 Corr: C. S. Withers Zentrale Grenzwertsätze für abhängige Variablen I Z. Wahrsch. Verw. Gebiete Band 63. 1981. p. 555 Zygmund, 1959 A. Zygmund, Trigonometrische Reihe. Vol. 1. 1959. Cambridge Univ. Presse, Cambridge 1 Unterstützt vom Schweizerischen Nationalfonds. Copyright 1995 Veröffentlicht von Elsevier B. V Zitieren von Artikeln () 2.1 Verschieben von Durchschnittsmodellen (MA-Modelle) Zeitreihenmodelle, die als ARIMA-Modelle bekannt sind, können autoregressive Begriffe und gleitende Durchschnittsterme enthalten. In Woche 1 erlernten wir einen autoregressiven Term in einem Zeitreihenmodell für die Variable x t ist ein verzögerter Wert von x t. Beispielsweise ist ein autoregressiver Term der Verzögerung 1 x t-1 (multipliziert mit einem Koeffizienten). Diese Lektion definiert gleitende Durchschnittsterme. Ein gleitender Durchschnittsterm in einem Zeitreihenmodell ist ein vergangener Fehler (multipliziert mit einem Koeffizienten). Es sei n (0, sigma2w) überschritten, was bedeutet, daß die wt identisch unabhängig voneinander verteilt sind, jeweils mit einer Normalverteilung mit dem Mittelwert 0 und der gleichen Varianz. Das durch MA (1) bezeichnete gleitende Durchschnittsmodell der 1. Ordnung ist (xt mu wt theta1w) Das durch MA (2) bezeichnete gleitende Durchschnittsmodell der zweiten Ordnung ist (xt mu wt theta1w theta2w) Das gleitende Mittelmodell der q-ten Ordnung , Mit MA (q) bezeichnet, ist (xt mu wt theta1w theta2w dots thetaqw) Hinweis. Viele Lehrbücher und Softwareprogramme definieren das Modell mit negativen Vorzeichen vor den Begriffen. Dies ändert nicht die allgemeinen theoretischen Eigenschaften des Modells, obwohl es die algebraischen Zeichen der geschätzten Koeffizientenwerte und (nicht quadrierten) Ausdrücke in Formeln für ACFs und Abweichungen umwandelt. Sie müssen Ihre Software überprüfen, um zu überprüfen, ob negative oder positive Vorzeichen verwendet worden sind, um das geschätzte Modell korrekt zu schreiben. R verwendet positive Vorzeichen in seinem zugrunde liegenden Modell, wie wir hier tun. Theoretische Eigenschaften einer Zeitreihe mit einem MA (1) Modell Beachten Sie, dass der einzige Wert ungleich Null im theoretischen ACF für Verzögerung 1 ist. Alle anderen Autokorrelationen sind 0. Somit ist ein Proben-ACF mit einer signifikanten Autokorrelation nur bei Verzögerung 1 ein Indikator für ein mögliches MA (1) - Modell. Für interessierte Studierende, Beweise dieser Eigenschaften sind ein Anhang zu diesem Handout. Beispiel 1 Angenommen, dass ein MA (1) - Modell x t 10 w t .7 w t-1 ist. Wobei (wt überstehendes N (0,1)). Somit ist der Koeffizient 1 0,7. Die theoretische ACF wird durch eine Plot dieser ACF folgt folgt. Die graphische Darstellung ist die theoretische ACF für eine MA (1) mit 1 0,7. In der Praxis liefert eine Probe gewöhnlich ein solches klares Muster. Unter Verwendung von R simulierten wir n 100 Abtastwerte unter Verwendung des Modells x t 10 w t .7 w t-1, wobei w t iid N (0,1) war. Für diese Simulation folgt ein Zeitreihen-Diagramm der Probendaten. Wir können nicht viel von dieser Handlung erzählen. Die Proben-ACF für die simulierten Daten folgt. Wir sehen eine Spitze bei Verzögerung 1, gefolgt von im Allgemeinen nicht signifikanten Werten für Verzögerungen nach 1. Es ist zu beachten, dass das Beispiel-ACF nicht mit dem theoretischen Muster des zugrunde liegenden MA (1) übereinstimmt, was bedeutet, dass alle Autokorrelationen für Verzögerungen nach 1 0 sein werden Eine andere Probe hätte eine geringfügig unterschiedliche Probe ACF wie unten gezeigt, hätte aber wahrscheinlich die gleichen breiten Merkmale. Theroretische Eigenschaften einer Zeitreihe mit einem MA (2) - Modell Für das MA (2) - Modell sind die theoretischen Eigenschaften die folgenden: Die einzigen Werte ungleich Null im theoretischen ACF sind für die Lags 1 und 2. Autokorrelationen für höhere Lags sind 0 , So zeigt ein Beispiel-ACF mit signifikanten Autokorrelationen bei Lags 1 und 2, aber nicht signifikante Autokorrelationen für höhere Lags ein mögliches MA (2) - Modell. Iid N (0,1). Die Koeffizienten betragen 1 0,5 und 2 0,3. Da es sich hierbei um ein MA (2) handelt, wird der theoretische ACF nur bei den Verzögerungen 1 und 2 Werte ungleich Null aufweisen. Werte der beiden Nicht-Autokorrelationen sind A-Plots des theoretischen ACFs. Wie fast immer der Fall ist, verhalten sich Musterdaten nicht ganz so perfekt wie die Theorie. Wir simulierten n 150 Beispielwerte für das Modell x t 10 w t .5 w t-1 .3 w t-2. Wobei wt iid N (0,1) ist. Die Zeitreihenfolge der Daten folgt. Wie bei dem Zeitreihenplot für die MA (1) Beispieldaten können Sie nicht viel davon erzählen. Die Proben-ACF für die simulierten Daten folgt. Das Muster ist typisch für Situationen, in denen ein MA (2) - Modell nützlich sein kann. Es gibt zwei statistisch signifikante Spikes bei Lags 1 und 2, gefolgt von nicht signifikanten Werten für andere Lags. Beachten Sie, dass aufgrund des Stichprobenfehlers das Muster ACF nicht genau dem theoretischen Muster entsprach. ACF für allgemeine MA (q) - Modelle Eine Eigenschaft von MA (q) - Modellen besteht im Allgemeinen darin, dass Autokorrelationen ungleich Null für die ersten q-Verzögerungen und Autokorrelationen 0 für alle Verzögerungen gt q existieren. Nicht-Eindeutigkeit der Verbindung zwischen Werten von 1 und (rho1) in MA (1) Modell. Im MA (1) - Modell für einen Wert von 1. Die reziproke 1 1 gibt den gleichen Wert für Als Beispiel, verwenden Sie 0.5 für 1. Und dann 1 (0,5) 2 für 1 verwenden. Youll erhalten (rho1) 0,4 in beiden Fällen. Um eine theoretische Einschränkung als Invertibilität zu befriedigen. Wir beschränken MA (1) - Modelle auf Werte mit einem Absolutwert von weniger als 1. In dem gerade angegebenen Beispiel ist 1 0,5 ein zulässiger Parameterwert, während 1 1 0,5 2 nicht. Invertibilität von MA-Modellen Ein MA-Modell soll invertierbar sein, wenn es algebraisch äquivalent zu einem konvergierenden unendlichen Ordnungs-AR-Modell ist. Durch Konvergenz meinen wir, dass die AR-Koeffizienten auf 0 sinken, wenn wir in der Zeit zurückgehen. Invertibilität ist eine Einschränkung, die in Zeitreihensoftware programmiert ist, die verwendet wird, um die Koeffizienten von Modellen mit MA-Begriffen abzuschätzen. Sein nicht etwas, das wir in der Datenanalyse überprüfen. Zusätzliche Informationen über die Invertibilitätsbeschränkung für MA (1) - Modelle finden Sie im Anhang. Fortgeschrittene Theorie Anmerkung. Für ein MA (q) - Modell mit einem angegebenen ACF gibt es nur ein invertierbares Modell. Die notwendige Bedingung für die Invertierbarkeit ist, daß die Koeffizienten solche Werte haben, daß die Gleichung 1- 1 y-. - q y q 0 hat Lösungen für y, die außerhalb des Einheitskreises liegen. R-Code für die Beispiele In Beispiel 1 wurde der theoretische ACF des Modells x t 10 w t aufgetragen. 7w t-1. Und dann n 150 Werte aus diesem Modell simuliert und die Abtastzeitreihen und die Abtast-ACF für die simulierten Daten aufgetragen. Die R-Befehle, die verwendet wurden, um den theoretischen ACF aufzuzeichnen, waren: acfma1ARMAacf (mac (0,7), lag. max10) 10 Verzögerungen von ACF für MA (1) mit theta1 0,7 lags0: 10 erzeugt eine Variable namens lags, die im Bereich von 0 bis 10 liegt (H0) fügt dem Diagramm eine horizontale Achse hinzu Der erste Befehl bestimmt den ACF und speichert ihn in einem Objekt Genannt acfma1 (unsere Wahl des Namens). Der Plotbefehl (der dritte Befehl) verläuft gegen die ACF-Werte für die Verzögerungen 1 bis 10. Der ylab-Parameter kennzeichnet die y-Achse und der Hauptparameter einen Titel auf dem Plot. Um die Zahlenwerte der ACF zu sehen, benutzen Sie einfach den Befehl acfma1. Die Simulation und Diagramme wurden mit den folgenden Befehlen durchgeführt. (N150, list (mac (0.7))) Simuliert n 150 Werte aus MA (1) xxc10 addiert 10 zum Mittelwert 10. Simulationsvorgaben bedeuten 0. plot (x, typeb, mainSimulated MA (1) data) Acf (x, xlimc (1,10), mainACF für simulierte Probendaten) In Beispiel 2 wurde der theoretische ACF des Modells xt 10 wt. 5 w t-1 .3 w t-2 aufgetragen. Und dann n 150 Werte aus diesem Modell simuliert und die Abtastzeitreihen und die Abtast-ACF für die simulierten Daten aufgetragen. Die verwendeten R-Befehle waren acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 Plot (lags, acfma2, xlimc (1,10), ylabr, typh, main ACF für MA (2) mit theta1 0,5, (X, x) (x, x) (x, x, x, y) (1) Für interessierte Studierende sind hier Beweise für die theoretischen Eigenschaften des MA (1) - Modells. Variante: (Text (xt) Text (mu wt theta1 w) 0 Text (wt) Text (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Wenn h 1 der vorhergehende Ausdruck 1 w 2. Für irgendeinen h 2 ist der vorhergehende Ausdruck 0 Der Grund dafür ist, dass, durch Definition der Unabhängigkeit der wt. E (w k w j) 0 für beliebige k j. Da w w die Mittelwerte 0, E (w j w j) E (w j 2) w 2 haben. Für eine Zeitreihe, Wenden Sie dieses Ergebnis an, um den oben angegebenen ACF zu erhalten. Ein invertierbares MA-Modell ist eines, das als unendliches Ordnungs-AR-Modell geschrieben werden kann, das konvergiert, so daß die AR-Koeffizienten gegen 0 konvergieren, wenn wir unendlich zurück in der Zeit bewegen. Gut zeigen Invertibilität für die MA (1) - Modell. Dann setzen wir die Beziehung (2) für wt-1 in Gleichung (1) (3) ein (zt wt theta1 (z-therma1w) wt theta1z - theta2w) Zum Zeitpunkt t-2. Gleichung (2) wird dann in Gleichung (3) die Gleichung (4) für wt-2 ersetzen (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Unendlich), erhalten wir das unendliche Ordnungsmodell (zt wt theta1 z - theta21z theta31z - theta41z Punkte) Beachten Sie jedoch, dass bei 1 1 die Koeffizienten, die die Verzögerungen von z vervielfachen (unendlich) in der Größe zunehmen, Zeit. Um dies zu verhindern, benötigen wir 1 lt1. Dies ist die Bedingung für ein invertierbares MA (1) - Modell. Unendlich Ordnung MA Modell In Woche 3, gut sehen, dass ein AR (1) Modell in ein unendliches order MA Modell umgewandelt werden kann: (xt - mu wt phi1w phi21w Punkte phik1 w Punkte sum phij1w) Diese Summation der Vergangenheit weißer Rauschbegriffe ist bekannt Als die kausale Darstellung eines AR (1). Mit anderen Worten, x t ist eine spezielle Art von MA mit einer unendlichen Anzahl von Begriffen, die in der Zeit zurückgehen. Dies wird als unendliche Ordnung MA oder MA () bezeichnet. Eine endliche Ordnung MA ist eine unendliche Ordnung AR und jede endliche Ordnung AR ist eine unendliche Ordnung MA. Rückruf in Woche 1, stellten wir fest, dass eine Anforderung für eine stationäre AR (1) ist, dass 1 lt1. Berechnen Sie die Var (x t) mit der kausalen Darstellung. Dieser letzte Schritt verwendet eine Grundtatsache über geometrische Reihen, die (phi1lt1) erforderlich sind, ansonsten divergiert die Reihe. Navigation
No comments:
Post a Comment