严格平稳、弱平稳、白噪声与渐进独立
严格平稳、弱平稳、白噪声与渐进独立
文章目录
- 严格平稳、弱平稳、白噪声与渐进独立
- @[toc]
- 1 严格平稳
- 2 弱平稳
- 3 白噪声
- 4 渐进独立
1 严格平稳
严格平稳:给定随机过程 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞,对于任意 m m m个时期的集合 { t 1 , t 2 … t m } \{t_1,t_2\dots t_m\} {t1,t2…tm},均有随机向量 { x t 1 , x t 2 , … x t m } \{x_{t_1},x_{t_2},\dots x_{t_m}\} {xt1,xt2,…xtm}的联合分布等于随机向量 { x t 1 + k , x t 2 + k , … x t m + k } \{x_{t_1+k},x_{t_2+k},\dots x_{t_m+k}\} {xt1+k,xt2+k,…xtm+k}, k ∈ z k\in z k∈z,则 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞为严格平稳过程。当只有一个时期 t t t时,则 x t x_t xt和 x t + k x_{t+k} xt+k具有相同的分布。显然 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞若服从 i i d iid iid,则 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞为严格平稳过程,且不存在序列相关。对于随机游走过程
y t = y t − 1 + ε t y_t=y_{t-1}+\varepsilon_t yt=yt−1+εt
给定初始值 y 0 y_0 y0, y t y_t yt可以迭代为
y t = y 0 + ∑ t = 1 t ε t y_t = y_0+\sum_{t=1}^t\varepsilon _t yt=y0+t=1∑tεt
两边同时取方差
v a r ( y t ) = v a r ( ∑ t = 1 t ε t ) = t σ ε 2 var(y_t)=var(\sum_{t=1}^t\varepsilon _t) = t\sigma_\varepsilon^2 var(yt)=var(t=1∑tεt)=tσε2
当 t → ∞ t\to \infty t→∞时, v a r ( y t ) → ∞ var(y_t)\to\infty var(yt)→∞换言之, y t y_t yt方差随着时间推移增大。而严格平稳过程要求不同时期的随机变量具有相同分布,包括矩相同,其中二阶中心矩即方差必须相同,而随机游走过程的方差是时变的,故不是严格平稳,也不是弱平稳。
y = numeric()
y[1]=0
for (i in 2:10000) y[i] = y[i-1]+rnorm(1)
plot(y,type = "l",xlab = "t",ylab = "y",cex.axis = 1.5,col = "blue",lwd = 2)
grid(ny = 5,col="black")
2 弱平稳
弱平稳:也称协方差平稳,即要求随机过程 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞的期望 E ( x t ) E(x_t) E(xt)存在且不依赖 t t t,协方差 C o v ( x t , x t + k ) Cov(x_t,x_{t+k}) Cov(xt,xt+k)仅依赖 k k k(不是绝对位置 t t t),则 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞为弱平稳过程。其中 E ( x t ) E(x_t) E(xt)不依赖 t t t是一个常数, C o v ( x t , x t + k ) Cov(x_t,x_{t+k}) Cov(xt,xt+k)称为 k k k阶协方差,也是一个常数。当 k = 0 k=0 k=0,
C o v ( x t , x t + k ) = v a r ( x t ) = C ( k ) Cov(x_t,x_{t+k})=var(x_t)=C(k) Cov(xt,xt+k)=var(xt)=C(k)
这意味着若平稳只要求随机过程 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞期望、方差和协方差均为常数即可(不依赖于 t t t)。显然,严格平稳是弱平稳的充分不必要条件,因为严格平稳不仅要求二阶矩存在,好包括更高阶矩也存在。考虑一阶自回归 A R ( 1 ) AR(1) AR(1), − 1 < ρ < 1 -1<\rho<1 −1<ρ<1
y t = ρ y t − 1 + ε t y_t = \rho y_{t-1}+\varepsilon_t yt=ρyt−1+εt
两边同时求期望
E ( y t ) = ρ E ( y t − 1 ) ⇒ E ( y t ) = 0 E(y_t)=\rho E(y_{t-1}) \Rightarrow E(y_t)=0 E(yt)=ρE(yt−1)⇒E(yt)=0
两边同时取方差
v a r ( y t ) = ρ 2 v a r ( y t − 1 ) + σ ε 2 var(y_t)=\rho^2var(y_{t-1})+\sigma_\varepsilon^2 var(yt)=ρ2var(yt−1)+σε2
当 t → ∞ t\to \infty t→∞, v a r ( y t ) var(y_t) var(yt)存在均衡解,于是
v a r ( y t ) = σ ε 2 1 − ρ 2 var(y_t) = \dfrac{\sigma_\varepsilon^2}{1-\rho^2} var(yt)=1−ρ2σε2
考虑协方差
c o v ( y t , y t + k ) = ρ k σ y 2 cov(y_t,y_{t+k})=\rho^k \sigma_y^2 cov(yt,yt+k)=ρkσy2
不依赖时间 t t t。其中 v a r ( y t ) = σ y 2 var(y_t)=\sigma^2_y var(yt)=σy2存在,仅依赖时间间隔 k k k。因此上述 A R ( 1 ) AR(1) AR(1)过程至少是弱平稳过程。
y = numeric()
y[1]=0
for (i in 2:10000) y[i] = 0.2*y[i-1]+rnorm(1)
plot(y,type = "l",xlab = "t",ylab = "y",cex.axis = 1.5,col = "blue",lwd = 1)
grid(ny = 5,col="black")
3 白噪声
白噪声:对于若平稳过程 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞,对于 ∀ t \forall t ∀t,具有 E ( x t ) = 0 E(x_t)=0 E(xt)=0, c o v ( x t , x t + k ) = 0 , k ≠ 0 cov(x_t,x_{t+k})=0,k\neq 0 cov(xt,xt+k)=0,k=0成立。即白噪声是这样一种弱平稳:期望存在且为0,方差存在为常数,不存在 k k k阶自相关。不同时期的随机变量 x t x_t xt是不相关的。
4 渐进独立
大数定律和中心极限定理要求随机序列 x t x_t xt独立同分布,但对于经济数据并不适用。例如phillps方差,在适应性预期假设下,通货膨胀存在惯性,这就意味着当前时期的通货膨胀 p t p_t pt与下一期通货膨胀 p t + 1 p_{t+1} pt+1存在自相关。如果使用数理统计的抽样分布渐近理论不再适合经济数据。因此需要对传统大数定律进行推广:
渐进大数定律:严格平稳过程 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞的期望 E ( x t ) = μ E(x_t)=\mu E(xt)=μ存在,则 x ˉ n = 1 n ∑ i = 1 n x i ⟶ P μ \bar{x}_n = \dfrac{1}{n}\sum_{i=1}^nx_i \stackrel{\mathrm{P}}{\longrightarrow} \mu xˉn=n1∑i=1nxi⟶Pμ,样本均值 x ˉ n \bar{x}_n xˉn是总体期望 μ \mu μ的一致估计。
与大数定律不同,这里并没有要求随机序列 { x t } t = 1 ∞ \{x_t\}_{t=1}^\infty {xt}t=1∞是独立的,即允许随即便 x t x_t xt存在序列相关,但当间隔较大时,这种相关性将会消失。
严格平稳、弱平稳、白噪声与渐进独立相关推荐
- 时间序列分析part3严格平稳与弱平稳
通俗的理解就是前面的数据与后面的数据是有关联的,它们之间的关系不能有太大的改变 比如这种,突然崩盘,就是突然改变了关系 算法模型的预测原理,数据之间有关联才能预测数据,关系突然改变,自然预测不了 故时 ...
- 平稳噪声与白噪声的区别与联系?
平稳噪声与白噪声的区别与联系? 平稳噪声的定义是均值为常数,相关函数只与时间差有关,白噪声的定义是均值为零,相关函数是一个冲激函数(即随机过程任意两个时刻的状态都是不相关的),通常我们认为白噪声首先是 ...
- 平稳/非平稳信号举例
平稳和非平稳都是针对随机信号说的. 平稳信号是指分布参数或者分布律随时间不发生变化的信号. 非平稳信号是指分布参数或者分布律随时间发生变化的信号. 常见的平稳信号:一段短的语音信号(10~30ms) ...
- 金融计量模型(七):线性时间序列模型——单变量时间序列
文章目录 线性时间序列模型--单变量时间序列 平稳性 严平稳 弱平稳 自相关函数(ACF) 检验单个ACF 联合检验 白噪声 线性时间序列 AR模型 AR(1) AR(2) AR(p) 识别AR模型 ...
- 数学建模与数据分析中的时间序列分析
时间序列分析 将某种现象的指标数值按照时间顺序排列而成的数值序列. 文章目录 (1) 时间序列的基本概念 1. 组成要素 2. 时间序列的分类 3. 时间序列的分解 ① 长期变动趋势 T ② 季节趋势 ...
- ARIMA模型学习笔记
ARIMA模型学习笔记 目录 ARIMA模型学习笔记 ARIMA模型 时间序列平稳性 什么是平稳性 严平稳 弱平稳 平稳性检验 ADF检验(Augmented Dickey-Fuller test) ...
- 时间序列学习笔记(1)
时间序列分析记载1 笔记依据教材时间系列分析及应用,其中也加入自己的一些理解与查找,以此来做到督促学习的目的 目录 文章目录 时间序列分析记载1 目录 模型路径 1.基本的小命令 2.基本定义 2.1 ...
- 时间序列分析1:python里用AR自回归模型分析预测时间序列
Autoregression / AR,就是用前期数据来预测后期数据的回归模型,所以叫做自回归模型. 它的逻辑简单,但对时间序列问题能够做出相当准确的预测.<原文链接这里> 文章目录 1) ...
- javascript 性能 · 平稳退化、渐进增强
浅尝 javascript 平稳退化和渐进增强 何为平稳退化?何为渐进增强? 下面举例说明: 例如,有的早期的纯文本浏览器中不支持在html里包含图片,相应是使用alt属性的替代文本. 而现在的浏览器 ...
最新文章
- js循环判断有无重复值_JavaScript中的while循环
- 【学术相关】以前写过水论文怎么办?
- 如何创建新的SAP CRM middleware subscription
- Python模块之 __future__
- 【tool】关于oracle数据库的安装与使用
- 在openGauss上做开发?这个大赛拿出30万寻找开源的你
- java解析csv文件工具类,java操作CSV文件工具类
- 使textarea支持tab缩进
- java只有值传递_为什么说java中只有值传递
- vue中使用window.open会在url前自动添加本地服务器的地址bug修复
- Java之美[从蛮荒到撬动地球]之设计模式四
- Python爬虫整站爬取安居客新房房源数据
- 【实验技术笔记】细胞表型检测之细胞周期(PI 染色)
- 微信小程序初始化NPM
- 即时聊天软件与开放平台
- 远程公司内网服务器【内网穿透】
- HTML5的最简单模板
- Java汉字转拼音库,Pinyin4j
- 跟我学Android之十一 列表和适配器
- 电子书 http://my.unix-center.net/~Simon_fu/?page_id=724