Студопедия.Орг Главная | Случайная страница | Контакты | Мы поможем в написании вашей работы!  
 

Модели авторегрессии



Общий вид модели АР(k):

где уt, уt i , i =1,2,..., k – значения переменной у в соответствующие моменты времени; k – порядок модели; a 1,..., ak – коэфф-ты модели; et – случайная ошибка

et ~ N (0, se 2), Cov (e)= se 2 × E. Построение модели АР(k) типа (6.45), адекватной реальному временному ряду уt, t =1,2,..., Т, предполагает: определение рационального порядка модели (k) и оценки значений ее коэфф-ов. Рассм. подходы к оценке параметров модели типа (6.45). Пусть M [ уt ]=0. В противном случае вместо переменной уt в выражении (6.45) можно рассм. центрированную , , где – оценка M [ уt ], M [ ] = 0. Из (6.45): параметры модели a 1,..., ak м. б. выражены через коэфф-ты автокорреляции. Умножим (6.36) под знаком МО на уt–i, i =1,2,..., k. Получим

где M [ уt-i, уt--j ] – МО произведения двух центрированных переменных уt–i, уt–j, представляющее собой их ковариацию gr, на практике оцениваемую по формуле

где r = i–j, i ³ j.

В р-те для i =1,2,..., k вместо (6.46) можно записать

(6.48) получено в предположении, что M [ уt-i, et ]=0 при i >0, т. к. et – случайная величина со свойствами “белого шума”, не имеющая корреляционной связи с предшествующими моменту t значениями рассматриваемого процесса уt. Разделив левую и правую части (6.48) на дисперсию процесса уtsу 2= g 0, получим:

Подставив в (6.49) вместо истинных значений коэфф-ов автокорреляции ri процесса уt их выборочные оценки r 1, r 2,..., последовательно для i =1,2,..., k, получим систему лин. ур-й:

в кот.известными явл. оценки коэф-в автокорреляции r 1, r 2,..., rk, а неизвестными – оценки коэф-в модели АР(k) a 1 , a 2 ,..., ak. Систему (6.50) называют ур-ми Юла-Уокера, а полученные на ее основе значения a 1, a 2,..., ak – оценками коэфф-ов модели авторегрессии АР(k) Юла-Уокера. В векторно-матричной форме записи (6.50) можно переписать: r = R × a, (6.53), где r – вектор-столбец известных оценок коэфф-ов автокорреляции с первого по k -й включительно, r =(r 1, r 2,..., rk)¢; a – вектор-столбец неизвестных оценок параметров модели, a =(a 1, a 2,..., ak)¢; R – матрица, составленная из оценок коэфф-ов автокорреляции. Из (6.53): неизвестные оценки коэфф-ов модели авторегрессии определяются как a = R –1× r (6.54) Теоретически оценки Юла-Уокера должны обладать свойствами несмещенности и эффективности. Однако, на практике, в моделях авторегрессии большого порядка эти свойства могут не подтверждаться. Особенно это относится к свойству несмещенности. Смещенность в оценках коэфф-ов моделей авторегрессии может быть обусловлена существующей зависимостью между сдвинутыми рядами рассматриваемой переменной у t– 1, у t– 2 и ошибкой e t. Этой возможной зависимостью при построении системы уравнений Юла-Уокера обычно пренебрегают, полагая et белым шумом. Неэффективность оценок может быть вызвана плохой обусловленностью матрицы R, что, как правило, является свидетельством зависимости уже между рядами у t– 1, у t– 2,.... При небольших порядках модели (k =1,2,3) оценки Юла-Уокера обычно являются достаточно “хорошими”. В крайнем случае их можно рассматривать как первое приближение к “оптимальным” оценкам, которые могут быть получены путем уточнения оценок Юла-Уокера на основе использования более мощных методов оценивания, например, нелинейных. Качество оценок Юла-Уокера может быть проверено путем исследования свойств ряда ошибки et, t =1,2,..., Т. Если ее свойства близки к характеристикам “белого шума”, то оценки Юла-Уокера можно считать “достаточно хорошими”. Об этом, в частности, может свидетельствовать критерий Дарбина-Уотсона, значение которого должно лежать примерно в интервале от 1 до 3. Для этих целей могут использоваться и другие мощные критерии, например, Бартлетта, Тейла. Обоснование целесообразности применения моделей авторегрессии. Целесообразность исп. моделей авторегрессии в анализе закономерностей временного ряда устанавливается на основе сопоставления дисперсии исходного процесса sу 2и дисперсии ошибки модели se 2. Для того чтобы выявить взаимосвязь между двумя этими характеристиками положим, что в (6.48) i =0. Тогда это выражение можно переписать в виде:

где g 0= sу 2, gi i -й коэфф-т автоковариации. Последнее слагаемое в правой части (6.55) получено путем замены в выражении (6.46) в произведении M [ yt ×× et ] переменной yt на (6.45). Поскольку ряды у t– 1,..., у t–k и e t являются независимыми, то это произведение оказывается равным se 2. Далее, поскольку gi = ri × g 0, то выразив все gi, i =1,2,..., k через g 0и перенеся слагаемые с g 0в левую часть, из выражения (6.55) получим

Подставив в (6.56) вместо ri значения оценок коэфф-ов автокорреляции ri и вместо параметров модели ai их оценки аi, i =1,2,..., k, найдем величину соотношение между дисперсией процесса sу 2и дисперсией ошибки описывающей этот процесс модели авторегрессии (белого шума) se 2.

Модель авторегрессии считается “достаточно хорошей”, если sу 2>> se 2, т. е. когда дисперсия ошибки модели много меньше дисперсии процесса. В этом случае использование модели при описании процесса yt позволяет значительно снизить его неопределенность, выражаемую через дисперсию sу 2.





Дата публикования: 2015-01-26; Прочитано: 402 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!



studopedia.org - Студопедия.Орг - 2014-2024 год. Студопедия не является автором материалов, которые размещены. Но предоставляет возможность бесплатного использования (0.007 с)...