É Mover Média Processo Estacionário

Considere o processo de ordem infinita MA definido por ytepsilonta (epsilon epsilon.), Onde a é uma constante e os epsilonts são i. i.d. N (0, v) variável aleatória. Qual é a melhor maneira de mostrar que o yt é não-estacionário. Eu sei que preciso examinar as raízes características do polinômio de características e então julgar se estão ou não fora do círculo de unidades, mas qual é a melhor forma de abordar esse problema? Devo tentar reescrever o processo de ordem infinita MA como um processo AR de ordem finita ou é mais fácil trabalhar o processo MA perguntou 19 de outubro 13 às 21: 11s são autoregressivos estacionários (AR), média móvel (MA) e mestiços estacionários (ARMA ) Processos Processo autoregressivo estacionário (AR) Os processos autoregressivos estacionários (AR) possuem funções teóricas de autocorrelação (ACFs) que se deterioram em direção a zero, em vez de cortar a zero. Os coeficientes de autocorrelação podem alternar no sinal com freqüência, ou mostram um padrão parecido com a onda, mas em todos os casos, eles caem para zero. Por outro lado, os processos AR com a ordem p possuem funções de autocorrelação parcial teóricas (PACF) que cortaram a zero após o atraso p. (O tempo de atraso do pico PACF final é igual à ordem AR do processo, p.) Processo médio em movimento (MA) Os ACFs teóricos da MA (média móvel) processam com a ordem q cortaram a zero após o intervalo q, a ordem MA Do processo. No entanto, seus PACFs teóricos se deterioram em direção a zero. (O tempo de atraso do pico ACF final é igual à ordem MA do processo, q.) Processo de mistura estacionária (ARMA) Processos estacionários misturados (ARMA) mostram uma mistura de características AR e MA. Tanto o ACF teórico quanto o PACF caem para zero. Copyright 2016 Minitab Inc. Todos os direitos Reservados.4.2 Modelos estacionários lineares para séries temporais em que a variável aleatória é chamada de inovação porque representa a parte da variável observada que é imprevisível dado os valores passados. O modelo geral (4.4) assume que é a saída de um filtro linear que transforma as inovações passadas, ou seja, é um processo linear. Este pressuposto de linearidade é baseado no teorema de decomposição de Wolds (Wold 1938) que diz que qualquer processo discreto de covariância estacionária pode ser expresso como a soma de dois processos não correlacionados, onde é puramente determinista e é um processo puramente indeterminista que pode ser escrito como linear Soma do processo de inovação: onde é uma seqüência de variáveis ​​aleatórias não correlacionadas em série com média zero e variância comum. A condição é necessária para a estacionararia. A formulação (4.4) é uma reparametrização finita da representação infinita (4.5) - (4.6) com constante. Geralmente, é escrito em termos do operador de lag definido por, que dá uma expressão mais curta: onde os polinômios do operador de atraso e são chamados de polinômio e polinômio, respectivamente. Para evitar a redundância de parâmetros, assumimos que não existem fatores comuns entre os componentes e os componentes. Em seguida, estudaremos o enredo de algumas séries temporais geradas por modelos estacionários com o objetivo de determinar os principais padrões de sua evolução temporal. A Figura 4.2 inclui duas séries geradas a partir dos seguintes processos estacionários calculados por meio do genarma quantlet: Figura 4.2: séries temporais geradas por modelos Como esperado, ambas as séries temporais se movem em torno de um nível constante sem alterações de variação devido à propriedade estacionária. Além disso, esse nível é próximo ao meio teórico do processo, e a distância de cada ponto para esse valor é muito raramente fora dos limites. Além disso, a evolução da série mostra as saídas locais da média do processo, que é conhecido como o comportamento de reversão médio que caracteriza as séries temporais estacionárias. Vamos estudar com algum detalhe as propriedades dos diferentes processos, em particular, a função de autocovariância que captura as propriedades dinâmicas de um processo estocástico estacionário. Esta função depende das unidades de medida, de modo que a medida usual do grau de linearidade entre variáveis ​​é o coeficiente de correlação. No caso de processos estacionários, o coeficiente de autocorrelação em lag, denotado por, é definido como a correlação entre e: Assim, a função de autocorrelação (ACF) é a função de autocovariância padronizada pela variância. As propriedades do ACF são: Dada a propriedade de simetria (4.10), o ACF geralmente é representado por meio de um gráfico de barras nos atrasos não negativos que se chama correlograma simples. Outra ferramenta útil para descrever a dinâmica de um processo estacionário é a função de autocorrelação parcial (PACF). O coeficiente de autocorrelação parcial em atraso mede a associação linear entre e ajustado para os efeitos dos valores intermediários. Portanto, é apenas o coeficiente no modelo de regressão linear: as propriedades do PACF são equivalentes às da ACF (4.8) - (4.10) e é fácil provar isso (Box e Jenkins, 1976). Como o ACF, a função de autocorrelação parcial não depende das unidades de medida e é representada por meio de um gráfico de barras nos atrasos não negativos que se chama correlograma parcial. As propriedades dinâmicas de cada modelo estacionário determinam uma forma particular dos correlogramas. Além disso, pode-se mostrar que, para qualquer processo estacionário, ambas as funções, ACF e PACF, aproximam-se de zero à medida que o atraso tende para o infinito. Os modelos não são sempre processos estacionários, por isso é necessário primeiro determinar as condições de estacionaria. Existem subclasses de modelos que possuem propriedades especiais para estudá-las separadamente. Assim, quando e, é um processo de ruído branco. Quando, é um processo de ordem média móvel puro. , E quando é um processo autoregressivo puro de ordem. . 4.2.1 Processo de ruído branco O modelo mais simples é um processo de ruído branco, onde é uma seqüência de variáveis ​​médias zero não correlacionadas com variação constante. É denotado por. Esse processo é estacionário se sua variância for finita, já que: verifica condições (4.1) - (4.3). Além disso, não está correlacionado ao longo do tempo, então a função de autocovariância é: a Figura 4.7 mostra duas séries temporais simuladas geradas a partir de processos com média e parâmetros zero e -0,7, respectivamente. O parâmetro autorregressivo mede a persistência de eventos passados ​​nos valores atuais. Por exemplo, se um choque positivo (ou negativo) afeta positivamente (ou negativamente) por um período de tempo maior, maior o valor de. Quando, a série se move mais grosseiramente em torno da média, devido à alternância na direção do efeito de, ou seja, um choque que afeta positivamente no momento, tem efeitos negativos sobre positivos. O processo é sempre inversível e está parado quando o parâmetro do modelo é constrangido para ficar na região. Para provar a condição estacionária, primeiro escrevemos a forma média móvel por substituição recursiva de (4.14): Figura 4.8: correlogramas de população para processos, ou seja, é uma soma ponderada de inovações passadas. Os pesos dependem do valor do parâmetro: quando, (ou), a influência de uma determinada inovação aumenta (ou diminui) ao longo do tempo. Levando expectativas para (4.15) para calcular a média do processo, obtemos: Dado que, o resultado é uma soma de termos infinitos que converge para todo o valor de somente se, nesse caso. Um problema semelhante aparece quando calculamos o segundo momento. A prova pode ser simplificada assumindo que, isto é,. Então, a variância é: Novamente, a variância vai para o infinito, exceto para, nesse caso. É fácil verificar que tanto a média quanto a variância explodem quando essa condição não se mantém. A função de autocovariância de um processo estacionário é, portanto, a função de autocorrelação para o modelo estacionário é: ou seja, o correlograma mostra uma decomposição exponencial com valores positivos sempre se for positivo e com oscilações positivas negativas se for negativo (ver figura 4.8). Além disso, a taxa de decadência diminui à medida que aumenta, portanto, quanto maior o valor, maior será a correlação dinâmica no processo. Finalmente, há um corte na função de autocorrelação parcial no primeiro atraso. Figura 4.9: correlogramas da população para os processos Pode-se mostrar que o processo geral (Box e Jenkins 1976): é estacionário somente se as raízes da equação característica do polinômio estiverem fora do círculo da unidade. A média de um modelo estacionário é. É sempre inversível para qualquer valor dos parâmetros. Sua ACF vai para zero de forma exponencial quando as raízes são reais ou com flutuações de onda de seno-cosseno quando elas são complexas. Seu PACF tem um corte no atraso, ou seja. Alguns exemplos de Os correlogramas para modelos mais complexos, como o, podem ser vistos na figura 4.9. Eles são muito semelhantes aos padrões quando os processos têm raízes reais, mas tomam uma forma muito diferente quando as raízes são complexas (veja o primeiro par de gráficos da figura 4.9). 4.2.4 Modelo Médio Autoregressivo Modelo Médio Gerencial (ordem finita) padrão móvel de ordens, é: