定义
具有如下结构的模型称为p阶自回归模型,简记为AR§:
x t = ϕ 0 + ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϕ 3 x t − 3 . . . + + ϕ p x t − p + ϵ t x_t=\phi_0+\phi_1x_{t-1}+\phi_2x_{t-2}+\phi_3x_{t-3}...++\phi_p x_{t-p}+\epsilon_t xt=ϕ0+ϕ1xt−1+ϕ2xt−2+ϕ3xt−3...++ϕpxt−p+ϵt
AR§模型有三个限制条件:
(1) ϕ p ≠ 0 \phi_p \neq0 ϕp=0,这个条件保证了AR模型最高阶为p阶。
(2) E ( ϵ t ) = 0 , V a r ( ϵ t ) = σ 2 , E ( ϵ t ϵ s ) = 0 , s ≠ t E(\epsilon_t)=0,Var(\epsilon_t)=\sigma^2,E(\epsilon_t\epsilon_s)=0,s \neq t E(ϵt)=0,Var(ϵt)=σ2,E(ϵtϵs)=0,s=t,这个条件保证了随机干扰序列是零均值的白噪声序列。
(3) E ( x s ϵ t ) = 0 , ∀ s < t E(x_s\epsilon_t)=0,\forall s < t E(xsϵt)=0,∀s<t,这个条件说明了当期的随机扰动项与过去的序列值无关。
当 ϕ 0 = 0 \phi_0=0 ϕ0=0时,自回归模型又称为中心化AR§模型。非中心化模型可通过以下变换转化为中心化模型:
y t = x t − ϕ 0 1 − ∑ i = 1 p ϕ i y_t=x_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} yt=xt−1−∑i=1pϕiϕ0
具体如下:
y t = x t − ϕ 0 1 − ∑ i = 1 p ϕ i = ϕ 0 + ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϕ 3 x t − 3 . . . + + ϕ p x t − p + ϵ t − ϕ 0 1 − ∑ i = 1 p ϕ i y_t=x_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} =\phi_0+\phi_1x_{t-1}+\phi_2x_{t-2}+\phi_3x_{t-3}...++\phi_p x_{t-p}+\epsilon_t-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i} yt=xt−1−∑i=1pϕiϕ0=ϕ0+ϕ1xt−1+ϕ2xt−2+ϕ3xt−3...++ϕpxt−p+ϵt−1−∑i=1pϕiϕ0
= − ϕ 0 ∑ i = 1 p ϕ i 1 − ∑ i = 1 + ∑ i = 1 p ϕ i ( x i − ϕ 0 1 − ∑ i = 1 p ϕ i ) + ϕ 0 ∑ i = 1 p ϕ i 1 − ∑ i = 1 =-\frac{\phi_0\sum_{i=1}^p\phi_i}{1-\sum_{i=1}}+\sum_{i=1}^p\phi_i(x_i-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i})+\frac{\phi_0\sum_{i=1}^p\phi_i}{1-\sum_{i=1}} =−1−∑i=1ϕ0∑i=1pϕi+i=1∑pϕi(xi−1−∑i=1pϕiϕ0)+1−∑i=1ϕ0∑i=1pϕi
= ∑ i = 1 p ϕ i ( x i − ϕ 0 1 − ∑ i = 1 p ϕ i ) = ∑ i = 1 p ϕ i y i =\sum_{i=1}^p\phi_i(x_i-\frac{\phi_0}{1-\sum_{i=1}^p\phi_i})=\sum_{i=1}^p\phi_iy_i =i=1∑pϕi(xi−1−∑i=1pϕiϕ0)=i=1∑pϕiyi
此时非中心化模型转化为中心化模型。
当引入延迟算子时,中心化AR§模型可以简记为:
Φ ( B ) x t = ϵ t \Phi(B)x_t=\epsilon_t Φ(B)xt=ϵt
其中
Φ ( B ) = 1 − ϕ 1 B − ϕ 2 B 2 − . . . − ϕ p B p \Phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p Φ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp
模型平稳性判别
AR模型是常用的平稳序列的拟合模型之一,但并非所有的AR模型都平稳,因此需要对AR模型的平稳性进行判别。
判别方法
(1)图示法
如针对以下两个AR模型:
x t = 1.1 x t − 1 + ϵ t … … ( 1 ) x_t=1.1x_{t-1}+\epsilon_t…… (1) xt=1.1xt−1+ϵt……(1)
x t = x t − 1 − 0.2 x t − 2 + ϵ t … … ( 2 ) x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t……(2) xt=xt−1−0.2xt−2+ϵt……(2)
import random
import matplotlib.pyplot as plt
data_1 = [5,3]
data_2 = [5,3]
for i in range(1,1000):
res_1 = 1.1*data_1[i]+random.random()
res_2 = data_2[i]-0.2*data_2[i-1]+random.random()
data_1.append(res_1)
data_2.append(res_2)
plt.plot(data_1)
plt.plot(data_2)
从图中可以看出模型(1)是非平稳的,模型(2)是平稳的。
图示法是通过时序图进行判别,有时会不准确,除此之外还有另外两种准确的判别方法。
(2)特征根法
对于p阶AR模型而言,其特征方程为:
λ p − ϕ 1 λ p − 1 − . . . − ϕ p = 0 \lambda^p-\phi_1\lambda^{p-1}-...-\phi_p=0 λp−ϕ1λp−1−...−ϕp=0
对于上述其次线性方程组可以求出p个非零特征根 λ 1 , λ 2 , . . . , λ p \lambda_1,\lambda_2,...,\lambda_p λ1,λ2,...,λp
对于AR§模型而言,其可以看作是一个非齐次线性方程组,可求得其的一个特解为 f ∗ ( t ) f^*(t) f∗(t),可得:
f 0 ( t ) = ∑ j = 1 p ϕ j f o ( t − j ) + ϵ t f_0(t)=\sum_{j=1}^p\phi_jf_o(t-j)+\epsilon_t f0(t)=j=1∑pϕjfo(t−j)+ϵt
所以可得到AR§模型的通解为:
x t = c 1 λ t + c 2 λ t + . . . + c p λ t + f 0 ( t ) ( ) x_t=c_1\lambda^t+c_2\lambda^t+...+c_p\lambda^t+f_0(t)() xt=c1λt+c2λt+...+cpλt+f0(t)()
式中 c 1 , c 2 , . . . , c p c_1,c_2,...,c_p c1,c2,...,cp为任意实数。
平稳序列的值始终在均值附近波动,不会随时间增加而发散,因此对两边取极限,可得
lim t → ∞ x t = lim t → ∞ [ c 1 λ t + c 2 λ t + . . . + c p λ t + f 0 ( t ) ] = μ \lim_{t \to \infty}x_t=\lim_{t \to \infty}[c_1\lambda^t+c_2\lambda^t+...+c_p\lambda^t+f_0(t)]=\mu t→∞limxt=t→∞lim[c1λt+c2λt+...+cpλt+f0(t)]=μ
由于对于任何 c 1 , c 2 , . . . , c p c_1,c_2,...,c_p c1,c2,...,cp都成立,要保证每一个幂函数都不能发散,即:
∣ λ j ∣ < 1 , 1 ≤ j ≤ p |\lambda_j|<1,1\leq j\leq p ∣λj∣<1,1≤j≤p
即要使AR§模型是平稳的,则其对应特征方程的特征根的绝对值要小于1。
举例
如对于一个AR(2)模型 x t = x t − 1 − 0.2 x t − 2 + ϵ t x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t xt=xt−1−0.2xt−2+ϵt,其特征方程为:
λ 2 − λ + 0.2 = 0 \lambda^2-\lambda+0.2=0 λ2−λ+0.2=0可解得其特征根为 λ 1 = 1 + 0.2 2 , λ 2 = 1 − 0.2 2 \lambda_1=\frac{1+\sqrt{0.2}}{2},\lambda_2=\frac{1-\sqrt{0.2}}{2} λ1=21+0.2,λ2=21−0.2,由于 λ 1 < 1 , λ 2 < 1 \lambda_1<1,\lambda_2<1 λ1<1,λ2<1,可得此AR(2)模型平稳。
自回归系数多项式
我们不仅可以直接通过AR模型对应特征方程的特征根来判别模型是否平稳,还可以通过自回归系数多项式的根来判别AR模型是否平稳。
当引入延迟算子时,中心化AR§模型可等价为:
Φ ( B ) x t = ϵ t \Phi(B)x_t=\epsilon_t Φ(B)xt=ϵt
其中 Φ ( B ) = 1 − ϕ 1 B − ϕ 2 B 2 − . . . − ϕ p B p \Phi(B)=1-\phi_1B-\phi_2B^2-...-\phi_pB^p Φ(B)=1−ϕ1B−ϕ2B2−...−ϕpBp。
如果 λ i \lambda_i λi是AR模型对应特征方程的特征根,则有:
λ i p − ϕ 1 λ i p − 1 − ϕ 2 λ i t − 2 − . . . − ϕ p = 0 \lambda_i^p-\phi_1\lambda_i^{p-1}-\phi_2\lambda_i^{t-2}-...-\phi_p=0 λip−ϕ1λip−1−ϕ2λit−2−...−ϕp=0
另 u i = 1 / λ i u_i=1/\lambda_i ui=1/λi,则:
Φ ( u i ) = 1 − ϕ 1 u i − ϕ 2 u i 2 − . . . − ϕ p u i p \Phi(u_i)=1-\phi_1 u_i-\phi_2 u_i^2-...-\phi_p u_i^p Φ(ui)=1−ϕ1ui−ϕ2ui2−...−ϕpuip = 1 − ϕ 1 1 λ i − ϕ 2 1 λ i 2 − . . . − − ϕ p 1 λ i p =1-\phi_1\frac{1}{\lambda_i}-\phi_2\frac{1}{\lambda_i^2}-...--\phi_p\frac{1}{\lambda_i^p} =1−ϕ1λi1−ϕ2λi21−...−−ϕpλip1 = 1 λ i p ( λ i p − ϕ 1 λ i p − 1 − ϕ 2 λ i p − 2 − . . . − 1 ) = 0 =\frac{1}{\lambda_i^p}(\lambda_i^p-\phi_1\lambda_i^{p-1}-\phi_2\lambda_i^{p-2}-...-1)=0 =λip1(λip−ϕ1λip−1−ϕ2λip−2−...−1)=0
所以 u i = 1 λ i u_i=\frac{1}{\lambda_i} ui=λi1是自回归系数多项式的解,而 ∣ λ i ∣ < 1 |\lambda_i|<1 ∣λi∣<1,可得 ∣ u i ∣ > 1 |u_i|>1 ∣ui∣>1,即自回归系数多项式的根全都大于1时,AR模型是平稳的。
(3)平稳域法
对于低阶的AR模型而言,使用平稳域判别相对简单。
①AR(1)模型
AR(1)模型的表达式为:
x t = ϕ 1 x t − 1 + ϵ t x_t=\phi_1x_{t-1}+\epsilon_t xt=ϕ1xt−1+ϵt其特征方程为:
λ − ϕ 1 = 0 \lambda-\phi_1=0 λ−ϕ1=0
特征根为 λ = ϕ 1 \lambda=\phi_1 λ=ϕ1,可推出AR(1)模型平稳的充要条件为 ∣ ϕ 1 ∣ < 1 |\phi_1|<1 ∣ϕ1∣<1,所以其平稳域为 { ϕ 1 ∣ ∣ ϕ 1 ∣ < 1 } \{\phi_1||\phi_1|<1\} {
ϕ1∣∣ϕ1∣<1}。
举例
如对于一个AR(1)模型 x t = 1.1 x t − 1 + ϵ t x_t=1.1x_{t-1}+\epsilon_t xt=1.1xt−1+ϵt, ∣ ϕ 1 ∣ = 1.1 > 1 |\phi_1| = 1.1>1 ∣ϕ1∣=1.1>1,不在平稳颙内,可得此AR(1)模型不平稳。
②AR(2)模型
AR(2)模型的表达式为:
x t = ϕ 1 x t − 1 + ϕ 2 x t − 2 + ϵ t x_t=\phi_1x_{t-1}+\phi_2x_{t-2}+\epsilon_t xt=ϕ1xt−1+ϕ2xt−2+ϵt其特征方程为:
λ 2 − ϕ 1 λ − ϕ 2 = 0 \lambda^2-\phi_1\lambda-\phi_2=0 λ2−ϕ1λ−ϕ2=0
特征根为 λ 1 = ϕ 1 + ϕ 1 2 + 4 ϕ 2 2 , λ 2 = ϕ 1 − ϕ 1 2 + 4 ϕ 2 2 \lambda_1=\frac{\phi_1+\sqrt{\phi_1^2+4\phi_2}}{2},\lambda_2=\frac{\phi_1-\sqrt{\phi_1^2+4\phi_2}}{2} λ1=2ϕ1+ϕ12+4ϕ2,λ2=2ϕ1−ϕ12+4ϕ2,可得 λ 1 + λ 2 = ϕ 1 , λ 1 λ 2 = − ϕ 2 \lambda_1+\lambda_2=\phi_1,\lambda_1\lambda_2=-\phi_2 λ1+λ2=ϕ1,λ1λ2=−ϕ2,AR(2)模型平稳的充要条件为 ∣ λ 1 ∣ < 1 且 ∣ λ 2 ∣ < 1 |\lambda_1|<1且|\lambda_2|<1 ∣λ1∣<1且∣λ2∣<1。
结合以上条件,可得到:
∣ λ 1 λ 2 ∣ = ∣ − ϕ 2 ∣ = ∣ ϕ 2 ∣ < 1 |\lambda_1\lambda_2|=|-\phi_2|=|\phi_2|<1 ∣λ1λ2∣=∣−ϕ2∣=∣ϕ2∣<1
ϕ 2 + ϕ 1 = λ 1 + λ 2 − λ 1 λ 2 = 1 − ( 1 − λ 1 ) ( 1 − λ 2 ) < 1 \phi_2+\phi_1=\lambda_1+\lambda_2-\lambda_1\lambda_2=1-(1-\lambda_1)(1-\lambda_2)<1 ϕ2+ϕ1=λ1+λ2−λ1λ2=1−(1−λ1)(1−λ2)<1
ϕ 2 − ϕ 1 = λ 1 + λ 2 + λ 1 λ 2 = 1 − ( 1 + λ 1 ) ( 1 + λ 2 ) < 1 \phi_2-\phi_1=\lambda_1+\lambda_2+\lambda_1\lambda_2=1-(1+\lambda_1)(1+\lambda_2)<1 ϕ2−ϕ1=λ1+λ2+λ1λ2=1−(1+λ1)(1+λ2)<1
可推出其平稳域为 { ϕ 1 , ϕ 2 ∣ ∣ ϕ 2 ∣ < 1 且 ϕ 2 ± ϕ 1 < 1 } \{\phi_1,\phi_2\mid |\phi_2|<1且\phi_2 \pm \phi_1<1\} { ϕ1,ϕ2∣∣ϕ2∣<1且ϕ2±ϕ1<1}。
举例
如对于一个AR(2)模型 x t = x t − 1 − 0.2 x t − 2 + ϵ t x_t=x_{t-1}-0.2x_{t-2}+\epsilon_t xt=xt−1−0.2xt−2+ϵt,其中 ∣ ϕ 2 ∣ = 0.2 < 1 |\phi_2|=0.2<1 ∣ϕ2∣=0.2<1, ϕ 2 + ϕ 1 = 0.8 < 1 , ϕ 2 − ϕ 1 = − 1.2 < 1 \phi_2+\phi_1=0.8<1,\phi_2-\phi_1=-1.2<1 ϕ2+ϕ1=0.8<1,ϕ2−ϕ1=−1.2<1,可得此AR(2)模型平稳。