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,则其还将互相独立。
 
2各种和模型
p阶移动平均过程:
q阶自回归过程:
自回归移动平均模型:
如果ARMA(p,q)模型的表达式的特征根至少有一个大于等于1,则{y(t)}为积分过程,此时该模型称为自回归秋季移动平均模型(ARIMA)
 
 
时间序列啊,不就是求个通项公式,然后求出一个非递推形式的表达式吗?
(这个公式和自变量t有关,然后以后只要知道t就能得到对应的y的预测值)
 
3弱平稳/协方差平稳:
均值和方差为常数(即同方差),协方差仅与时间间隔有关
 
 
4自相关系数:
 
 
5AR(1)模型(带白噪声的一阶差分方程)的平稳性:
(1)如果初始条件为y0:
         则其解为
        (我们通过其解来判断其是否平稳)
         此时{y(t)}是不平稳的。
·        但是如果|a1|<1,其t足够大,则{y(t)}是平稳的。
            均值:
            方差:等于
            协方差:等于
        所以有结论:
        
(2)初始条件未知:
          则其通解为:
          {y(t)}平稳的条件为:
          1 |a1|<1
          2 且齐次解A(a1)^t为0:
             序列从很久前开始(即t很大,且结合1,则为0),
             或该过程始终平稳(A=0)
          所以说,解的稳定性和序列的平稳性是不一样的。
          这两条对所有的ARMA(p,q)模型都适用。
        (对于任意的ARMA(p,q)模型,齐次解为0是平稳性必要条件)
         (ARMA(p,q)模型的齐次解为
 
 
6对于ARMA(2,1)模型的平稳性:
模型表达式为:(2.16)(截距项不影响平稳性,略去)
设其挑战解为:(用待定系数法)
    则系数应当满足方程:(2.17)
   序列{阿尔法i}收敛的条件是方程(2.16)对于的齐次方程的特征根都在单位圆之内
   (因为2.17中的差分方程对于的特征方程和方程2.16对于的特征方程是一模一样的)
   我们之所以只考虑特解,是因为我们让齐次解为0.
   此时该挑战解/特解:均值为:
                                    方差为:(t很大时用级数求和)
                                    协方差为:等于
   所以其平稳性条件为(t很大):
  1模型对应的齐次方程的特征方程的特征根在单位圆内
  2齐次解为0。
 
7AR(p)模型的平稳性:
    模型:
    若其特征根都在单位圆之内,则其挑战解为:
    {阿尔法i}这些待定系数会满足特征方程
    (有木有发现其这个特征方程和模型对应的齐次方程的特征方程是一致的呢?)
    该解的均值、方差、协方差为:
   
    所以,所有特征根在单位圆内,则有
   (早高阶差分方程平稳性的必要条件中提到),所以均值是有限长苏
   
   所以AR(p)平稳条件为(t很大):
  1模型对应的齐次方程的特征方程的特征根在单位圆内
  2齐次解为0。
   
8MA(q)模型的平稳性:
    模型为:
    
    由于其级数求和为有限级数求和到q),所以MA(q)始终平稳
    
   无限MA过程
   模型为:
   
  所以只要两个级数求和是有限的,就是MA(无穷)平稳的。
 
9ARMA(p,q)模型的平稳性:
    模型为:(2.22)
    其解的形式为:(2.23)
    只要2.22的特征根都在单位圆内或者
   逆特征方程的特征根在单位圆外,则(2.23)的每一项都平稳,所以其和也平稳,所以ARMA(p,q)模型平稳。(书上没再给出更多解释了)

第二章平稳时间序列模型——AR(p),MA(q),ARMA(p,q)模型及其平稳性的更多相关文章

  1. 第二章平稳时间序列模型——ACF和PACF和样本ACF/PACF

    自相关函数/自相关曲线ACF   AR(1)模型的ACF: 模型为: 当其满足平稳的必要条件|a1|<1时(所以说,自相关系数是在平稳条件下求得的):          y(t)和y(t-s)的 ...

  2. 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 ...

  3. ARIMA模型——本质上是error和t-?时刻数据差分的线性模型!!!如果数据序列是非平稳的,并存在一定的增长或下降趋势,则需要对数据进行差分处理!ARIMA(p,d,q)称为差分自回归移动平均模型,AR是自回归, p为自回归项; MA为移动平均,q为移动平均项数,d为时间序列成为平稳时所做的差分次数

    https://www.cnblogs.com/bradleon/p/6827109.html 文章里写得非常好,需详细看.尤其是arima的举例! 可以看到:ARIMA本质上是error和t-?时刻 ...

  4. ASP.NET MVC with Entity Framework and CSS一书翻译系列文章之第二章:利用模型类创建视图、控制器和数据库

    在这一章中,我们将直接进入项目,并且为产品和分类添加一些基本的模型类.我们将在Entity Framework的代码优先模式下,利用这些模型类创建一个数据库.我们还将学习如何在代码中创建数据库上下文类 ...

  5. 《Entity Framework 6 Recipes》翻译系列 (3) -----第二章 实体数据建模基础之创建一个简单的模型

    第二章 实体数据建模基础 很有可能,你才开始探索实体框架,你可能会问“我们怎么开始?”,如果你真是这样的话,那么本章就是一个很好的开始.如果不是,你已经建模,并在实体分裂和继承方面感觉良好,那么你可以 ...

  6. 【黑金原创教程】【TimeQuest】【第二章】TimeQuest模型角色,网表概念,时序报告

    声明:本文为黑金动力社区(http://www.heijin.org)原创教程,如需转载请注明出处,谢谢! 黑金动力社区2013年原创教程连载计划: http://www.cnblogs.com/al ...

  7. 时序分析:ARIMA模型(非平稳时间序列)

    转载于一篇硕士论文.... ARIMA模型意为求和自回归滑动平均模型(IntergratedAut少regressive MovingAverageModel),简记为ARIMA(p,d,q),p,q ...

  8. [书籍翻译] 《JavaScript并发编程》 第二章 JavaScript运行模型

    本文是我翻译<JavaScript Concurrency>书籍的第二章 JavaScript运行模型,该书主要以Promises.Generator.Web workers等技术来讲解J ...

  9. KnockoutJS 3.X API 第二章 数据监控(1)视图模型与监控

    数据监控 KO的三个内置核心功能: 监控(Observable)和依赖性跟踪(dependency tracking) 声明绑定(Declarative bindings) 模板(Templating ...

随机推荐

  1. fstream使用简介

    fstream用来进行输入/输出文件的操作. fstream file1; 定义了fstream类的一个对象file1file1.open("filename",...) 打开名为 ...

  2. java重写equals方法

    @Override public int hashCode() { return task.getId(); } @Override public boolean equals(Object obj) ...

  3. HDU 5802 Windows 10

    传送门 Windows 10 Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/65536 K (Java/Others)To ...

  4. PHP之:PHP框架

    ThinkPHP - 国内PHP框架 http://www.thinkphp.cn/. OneThink-基于tp框架开发的CMS  (适于小项目) http://www.onethink.cn/. ...

  5. VC++ 比较两个字符串是否相等,字母大小写相关。

    1.strcmp 这是用于ANSI标准字符串的函数(如string和char *),此函数接受两个字符串缓冲区做为参数,如果两个字符串是相同的则返回零.否则若第一个传入的字符串的值大于第二个字符串返回 ...

  6. UrlEncode编码/UrlDecode解码 - 站长工具

    http://tool.chinaz.com/tools/urlencode.aspx

  7. PyQ1_介绍

    PyQt是一个创建GUI应用程序的工具包.它是Python编程语言和Qt库的成功融合.Qt库是目前最强大的库之一.PyQt是由Phil Thompson 开发.   PyQt实现了一个Python模块 ...

  8. 第4章 jQuery的事件和动画(1)——事件篇

    jQuery扩展了JavaScript的基本事件处理机制,极大增强了事件处理能力 一. jQuery的事件 1. $(document).ready(function(){})加载方式 再次回到win ...

  9. 数据库备份与恢复(Mysql)

    Mysql备份种类可以分为两种:完全备份和增量备份 完全备份:对某一个时间点上的所有数据或应用进行的一个完全复制. 增量备份:指在一次全备份上或上一次增量备份后,以后每次的备份只需备份与前次相比增加或 ...

  10. 收缩菜单 css变样

    // 收缩菜单 $("#leftMenu li h3").click(function(){ $v = $(this).next('.ajax').css('display'); ...