Модель авторегрессии .
Основная идея данного метода анализа временного ряда состоит построении линейной модели зависимости от предыдущих значений временного ряда , следующего вида:
(22)
Для более простой записи такого рода моделей можно использовать лаговый оператор.
Лагом переменной называется ее значение в предыдущий момент времени:
(23)
Наряду с понятием лаговый оператор существует понятие лаговый многочлен:
(24)
С использованием (24) формулу (22) можно переписать следующим образом:
(25)
где - оператор авторегрессии, и модель (22) можно переписать более кратко:
(26)
Модель процесса Маркова записывается следующим образом:
(27)
Свойства данного процесса: , , если . В случае, если , неограниченно растет и дисперсия процесса будет стремиться к .
Коэффициент автоковариации между и равен .
Соответственно, коэффициент автокорреляции равен .
Условие стационарности процесса: или .
Примеры процессов авторегрессии первого порядка приводятся на следующих графиках
Модель процесса Юла записывается следующим образом:
(28)
Условие стационарности для данного процесса: корни уравнения
должны лежать вне единичного круга .
Коэффициенты модели вычисляются следующим
образом:
при условии
Общая модель .
Для модели вида:
(29)
коэффициенты определяются следующим образом.
Умножим уравнение (29) на и вычислим математические ожидания правой и левой части уравнения:
Делением на правой и левой частей уравнений, получаем рекуррентное соотношение:
. (30)
На основании формулы (30) строится система уравнений Юла-Уокера:
Кроме непосредственного решения системы Юла-Уокера, на практике коэффициенты модели определяются также по методу наименьших квадратов.
Модель скользящего среднего .
Основная идея данного метода анализа временного ряда состоит в построении линейной модели зависимости от предыдущих ошибок , следующего вида:
(31)
При помощи лагового оператора можно привести модель (31) к виду: , где - инновации, белый шум.
На основании свойств белого шума , . Эти условия означают, что процесс, представленный моделью (31), стационарный.
Коэффициент автокорреляция вычисляется следующим образом:
Любую модель MA можно привести к модели AR, это свойство меделей получило название свойство обратимости. Рассмотрим модель :
При в правой части уравнения содержится модель .
То есть можно привести к .
Выполним аналогичные преобразования для модели :
.
Таким образом, модельможно привести к . При этом модель обладает свойством обратимости, если соответствующая ей модель стационарна.
Смешанные модели .
Смешанные модели авторегрессии и скользящего среднего имеют следующий вид: . (32)
При помощи лагового оператора модель (32) записывается так:
(33)
Модель стационарна, если стационарна входящая в нее модель авторегрессии, то есть корни уравнения лежат вне единичного круга.
Для идентификации параметров модели используют следующую таблицу, показывающую зависимость параметров модели от вида автокорреляционной и частной автокорреляционной функции:
Модель | ACF | PACF |
Белый шум, MA(0) | для k ≠ 0 | для k ≠ 0 |
AR(1), > 0 | Экспоненциальное убывание | , k ≥ 2 |
AR(1), < 0 | Осциллирующее убывание | , k ≥ 2 |
AR(p) | Убывание к нулю с возможной осцилляцией | Нулевые значения при k ≥ p |
MA(1), > 0 | Положительный пик при k = 1; зануление при k > 1 | Осциллирующее убывание; |
MA(1), < 0 | Отрицательный пик при k = 1;зануление при k > 1 | Убывание по абсолютной величине; при k ≥ 1 |
MA(q) | Нулевые значения при k ≥ q | Убывание к нулю |
ARMA(1, 1), > 0 | Экспоненциальное убывание с лага 1; знак совпадает со знаком (+) | Осциллирующее убывание с лага 1; |
ARMA(1, 1), <0 | Осциллирующее убывание с лага 1; знак совпадает со знаком (+) | Экспоненциальное убывание с лага 1; , знак совпадает со знаком , k > 1 |
ARMA(p, q) | Осциллирующее или прямое убывание, начинающееся с лага q | Осциллирующее или прямое убывание, начинающееся с лага p |
Модель (модель Бокса и Дженкинса).
Рассмотренные выше модели , , подходят для исследования стационарных временных рядов. Если временной ряд не стационарен, то применяются модели .
Введем в рассмотрение разностный оператор: , тогда - результат применения разностного оператора. Результат применния разностного оператора порядка выглядит следующим образом:
(34)
Если , то .
Вычисление разностей производится для приведения исходного ряда к стационарному ряду.
При наличии единичных корней характеристического уравнения , разность порядка временного ряда может быть представлена, как стационарный обратимый процесс следующего вида:
(35)
(36)
то есть разность порядка моделируется при помощи, оператор называется обобщенным оператором авторегрессии.
После замены модель (36) примет следующий вид:
(37)
Далее делаем оценку параметров как в модели .
При возврате к исходным переменным выполняется следующее:
. (38)
Для разности первого порядка:
.
На основании модели можно строить более общую модель, учитывающую авторегрессию и тренд сезонности. Такие модели имеют обозначение , где - параметры основного ряда, - параметры сезонного ряда, с числом сезонов цикле.
Пример построения модели .
Поскольку ряд не стационарный, поэтому берем разность первого порядка. Преобразованный ряд и его автокорреляция выглядят следующим образом:
Ряд, который образует сезонность, также является не стационарным, поскольку коррелограмма показывает медленное убывание автокорреляции с периодом 12. Поэтому берем еще одну разность порядка 12 (порядок сезонности). Преобразованный ряд и его автокорреляция выглядят следующим образом:
Наличие ненулевого значения автокорреляции на первом лаге свидетельствует о возможности использования для моделирования данного ряда моделей AR(1), MA(1) или ARMA(1,1). Моделью с наименьшей ошибкой оказалась модель MA(1).
Таким образом, итоговой моделью ряда является . Исходный ряд и прогнозные значения для последнего года представлены на следующем графике:
Автокорреляция и частная автокорреляция остатков модели.