ACVF of ARMA(1, 1)
\(ARMA(1, ~ 1)\) process is a time series \(\left\{ X_{t} \right\}\) defined as:
\]
where \(|\phi| < 1\) and \(\left\{ Z_{t} \right\} \sim WN(0, ~ \sigma^{2})\)。
它的 ACVF (autocovariance function) 可以通过改写为 linear process 的形式的方法求出,其中 linear process 定义为一个 time series \(\left\{ X_{t} \right\}\) which can be written as:
\]
其中对于\(\forall j \in \mathbb{Z}\),系数 \(\varphi_{j}\) 为常数,并且\(\left\{ Z_{t} \right\} \sim WN(0, ~ \sigma^{2})\)。
对于上述的一个 linear process,它的 ACVF 为:
\]
这是因为:
\gamma(h) & = Cov(X_{t+h}, ~ X_{t})\\
& = Cov(\sum\limits^{\infty}_{j = -\infty} \varphi_{j} Z_{t + h - j}, ~ \sum\limits^{\infty}_{j = -\infty} \varphi_{j} Z_{t - j}) \\
& = Cov(\sum\limits^{\infty}_{i = -\infty} \varphi_{i} Z_{t + h - i}, ~ \sum\limits^{\infty}_{j = -\infty} \varphi_{j} Z_{t - j})
\end{align*}
\]
由于 \(Z_{t} \sim WN(0, ~ \sigma^2)\),那么:
\]
并且对于 \(\forall s \neq t\):
\]
因此观察 \(Cov(\sum\limits^{\infty}_{i = -\infty} \varphi_{i} Z_{t + h - i}, ~ \sum\limits^{\infty}_{j = -\infty} \varphi_{j} Z_{t - j})\),将它逐项展开后,当且仅当 \(Z_{t+h-i}\) 和 \(Z_{t-j}\) 为同一个随机变量时,有:
\]
否则:
\]
也就是说,当且仅当下标满足 \(t + h - i = t - j \implies i = j + h\) 时,展开后的该项不为 \(0\)。那么不为零的各项前面的系数应是 \(\varphi_{j}\) 和 \(\varphi_{j+h}\),且值为 \(\sigma^{2}\),即:
\]
推导如下:
\(ARMA(1, 1)\) 的 LHS:
X_{t} - \phi X_{t-1} & = X_{t} - \phi B X_{t}\\
& = (1 - \phi B) X_{t}
\end{align*}
\]
其中 \(B\) 为 backward shift operater,那么 \(ARMA(1, ~ 1)\) process 可以继续做如下变换:
X_{t} & = \frac{1}{1 - \phi B} (Z_{t} + \theta Z_{t-1})\\
& = (1 + \phi B + \phi^{2} B^{2} + \phi^{3} B^{3} + \cdots) (Z_{t} + \theta Z_{t-1})\\
& = (Z_{t} + \phi B Z_{t} + \phi^{2} B^{2} Z_{t} + \phi^{3} B^{3} Z_{t} + \cdots) + (\theta Z_{t-1} + \theta \phi B Z_{t-1} + \theta \phi^{2} B^{2} Z_{t-1} + \theta \phi^{3} B^{3} Z_{t-1} +\cdots)\\
& = (Z_{t} + \phi Z_{t-1} + \phi^{2} Z_{t-2} + \phi^{3}Z_{t-3} + \cdots) + (\theta Z_{t-1} + \theta \phi Z_{t-2} + \theta \phi^{2} Z_{t-3} + \cdots)\\
& = Z_{t} + (\phi + \theta) Z_{t-1} + \phi (\phi + \theta) Z_{t-2} + \phi^{2} (\phi + \theta) Z_{t-3} + \cdots
\end{align*}
\]
因此它可以写作 linear process 的形式:
\]
其中,\(\varphi_{0} = 1\),\(\varphi_{j} = \phi^{j-1}(\phi + \theta)\) for \(j \geq 1\)。
因此它的 ACVF 为:
当 \(h \geq 1\):
\[\begin{align*}
\gamma (h) & = \sigma^2 \sum\limits^{\infty}_{j = 0} \varphi_{j}\varphi_{j+h}\\
& = \sigma^{2} \left(\sum\limits^{\infty}_{j = 1} \varphi_{j}\varphi_{j+h} + \varphi_{0}\varphi_{h} \right)\\
& = \sigma^{2} \left(\sum\limits^{\infty}_{j = 1} \phi^{j+h-1}(\phi+\theta)\phi^{j-1}(\phi+\theta) + \varphi_{h} \right)\\
& = \sigma^{2} \left( \phi^{h-1} (\phi + \theta) + (\phi + \theta)^{2} \phi^{h} \sum\limits^{\infty}_{j=1}\phi^{2j-2} \right)\\
& = \sigma^{2} \left( \phi^{h-1}(\phi+\theta) + \frac{(\phi+\theta)^{2}\phi^{h}}{1 - \phi^{2}} \right)
\end{align*}
\]当 \(h = 0\):
\[\gamma(h) = \sigma^{2}\left( 1 + \frac{(\phi+\theta)^{2}}{1-\phi^{2}}\right)
\]
ACVF of ARMA(1, 1)的更多相关文章
- 第二章平稳时间序列模型——AR(p),MA(q),ARMA(p,q)模型及其平稳性
1白噪声过程: 零均值,同方差,无自相关(协方差为0) 以后我们遇到的efshow如果不特殊说明,就是白噪声过程. 对于正态分布而言,不相关即可推出独立,所以如果该白噪声如果服从正态分布,则其还将 ...
- 时间序列算法(平稳时间序列模型,AR(p),MA(q),ARMA(p,q)模型和非平稳时间序列模型,ARIMA(p,d,q)模型)的模型以及需要的概念基础学习笔记梳理
在做很多与时间序列有关的预测时,比如股票预测,餐厅菜品销量预测时常常会用到时间序列算法,之前在学习这方面的知识时发现这方面的知识讲解不多,所以自己对时间序列算法中的常用概念和模型进行梳理总结(但是为了 ...
- 常用数字信号的产生(C实现)-ARMA模型数据生成
ARMA模型属于信号现代谱估计的范畴,AR模型常用于信号的线性预测.AR模型最后归结为线性方程,MA最后为非线性方程,因此,AR模型使用较多. AR模型最后归结为解Yule-Walker方程,对应矩阵 ...
- 时序分析:ARMA方法(平稳序列)
憔悴到了转述中文综述的时候了........ 在统计学角度来看,时间序列分析是统计学中的一个重要分支, 是基于随机过程理论和数理统计学的一种重要方法和应用研究领域. 时间序列按其统计特性可分为平稳性 ...
- ARMA(p,q)模型数据的产生
一.功能 产生自回归滑动平均模型\(ARMA(p,q)\)的数据. 二.方法简介 自回归滑动平均模型\(ARMA(p,q)\)为 \[ x(n)+\sum_{i=1}^{p}a_{i}x(n-i)=\ ...
- 计量经济与时间序列_关于Box-Jenkins的ARMA模型的经济学意义(重要思路)
1 很多人已经了解到AR(1)这种最简单的时间序列模型,ARMA模型包括AR模型和MA模型两个部分,这里要详细介绍Box-Jenkins模型的观念(有些资料中把ARMA模型叫做Box-Jenkins模 ...
- Jupyter运行时出现下面的错误:Unexpected error while saving file: arma/Untitled.ipynb [Errno 13] Permission denied:
运行环境:Ubuntu16.04+Python2.7执行如下代码修改Jupyter的一部分文件的权限(执行完之后重新启动即可): sudo chmod ~/.local/share/jupyter/ ...
- 【机器学习Machine Learning】资料大全
昨天总结了深度学习的资料,今天把机器学习的资料也总结一下(友情提示:有些网站需要"科学上网"^_^) 推荐几本好书: 1.Pattern Recognition and Machi ...
- Windows Locale Codes - Sortable list(具体一个语言里还可具体细分,中国是2052,法国是1036)
Windows Locale Codes - Sortable list NOTE: Code page is an outdated method for character encoding, y ...
随机推荐
- sql-关键词的大小写与注释
是否区分大小写 和 注释 大小写 oracle 自带的sqlplus: mysql 客户端 : Navicat: 注释 oracle 自带的sqlplus: mysql 客户端 : 小节 oracle ...
- [零基础学IoT Pwn] 复现Netgear WNAP320 RCE
[零基础学IoT Pwn] 复现Netgear WNAP320 RCE 0x00 前言: 这是[零基础学IoT Pwn]的第二篇,上篇我们搭好了仿真环境后,模拟运行了Netgear WNAP320固件 ...
- 《Domain Agnostic Learning with Disentangled Representations》ICML 2019
这篇文章是ICML 2019上一篇做域适应的文章,无监督域适应研究的问题是如何把源域上训练的模型结合无lable的目标域数据使得该模型在目标域上有良好的表现.之前的研究都有个假设,就是数据来自哪个域是 ...
- Tapdata 在线研讨会:实时数据同步应用场景及实现方案探讨
数字化时代的到来,企业业务敏捷度的提升,对传统的数据处理和可用性带来更高的要求,实时数据同步技术的发展,给基于数据的业务创新带来了更多的可能性.9月8日晚,Tapdata 联合MongoDB 中文社区 ...
- CSS进阶内容—浮动和定位详解
CSS进阶内容-浮动和定位详解 我们在学习了CSS的基本知识和盒子之后,就该了解一下网页的整体构成了 当然如果没有学习之前的知识,可以到我的主页中查看之前的文章:秋落雨微凉 - 博客园 CSS的三种布 ...
- wcf连接数据库用sqlhelper,连接数一直没有释放反而增加
找了一天,发现原因是配置的连接字符串没有加上最大连接数,所以每次请求都是一直增加,而MariaDB默认的连接数是151,为了本地多项目测试已改成以前. 下面是配置的连接字符串: <add na ...
- 【破解】设置 Codesys for Raspberry 每118分钟自动重启Runtime
Codesys for Raspberry 无授权时,试用2小时后会自动退出,重启Runtime后就又恢复2小时试用时长. 官网授权购买地址: [单核] https://store.codesys.c ...
- 【ASP.NET Core】选项模式的相关接口
在 .NET 中,配置与选项模式其实有联系的(这些功能现在不仅限于 ASP.NET Core,而是作为平台扩展来提供,在其他.NET 项目中都能用).配置一般从多个来源(上一篇水文中的例子,记得否?) ...
- SQL语句的整合
基础语法 https://blog.csdn.net/m0_37989980/article/details/103413942 CRUD 提供给数据库管理员的基本操作,CRUD(Create, Re ...
- range函数的使用
循环结构终于会出现了 这章讲完差不多读者可以实现大部分程序了 range()函数 用于生成一个整数序列 内置函数:前面不需要加任何前缀,可以直接使用的函数 创建range对象的三种方式 range(s ...