Ruchoma średnia model zamówienie 1

Wprowadzenie do ARIMA: modele niesezonowe Równanie prognostyczne ARIMA (p, d, q): Modele ARIMA są, w teorii, najbardziej ogólną klasą modeli do prognozowania szeregów czasowych, które można przekształcić na 8220stacjonarne 8221 przez różnicowanie (jeśli to konieczne), być może w połączeniu z transformacjami nieliniowymi, takimi jak rejestracja lub deflacja (jeśli to konieczne). Zmienna losowa, która jest szeregiem czasowym, jest nieruchoma, jeśli jej właściwości statystyczne są stałe w czasie. Seria stacjonarna nie ma trendu, jej wahania wokół średniej mają stałą amplitudę i poruszają się w spójny sposób. tj. jego krótkoterminowe wzorce czasu losowego zawsze wyglądają tak samo w sensie statystycznym. Ten ostatni warunek oznacza, że ​​jego autokorelacje (korelacje z jego własnymi wcześniejszymi odchyleniami od średniej) pozostają stałe w czasie, lub równoważnie, że jego widmo mocy pozostaje stałe w czasie. Zmienna losowa tej postaci może być oglądana (jak zwykle) jako kombinacja sygnału i szumu, a sygnał (jeśli jest widoczny) może być wzorem szybkiej lub wolnej średniej rewersji, lub sinusoidalnej oscylacji, lub szybkiej przemiany w znaku , a także może mieć składnik sezonowy. Model ARIMA może być postrzegany jako 8220filter8221, który próbuje oddzielić sygnał od szumu, a sygnał jest następnie ekstrapolowany w przyszłość w celu uzyskania prognoz. Równanie prognostyczne ARIMA dla stacjonarnych szeregów czasowych jest równaniem liniowym (to jest typu regresyjnym), w którym predyktory składają się z opóźnień zmiennej zależnej i opóźnień błędów prognoz. Oznacza to: Przewidywaną wartość Y stałej stałej lub ważoną sumę jednej lub więcej ostatnich wartości Y i lub ważoną sumę jednej lub więcej ostatnich wartości błędów. Jeśli predykatory składają się tylko z opóźnionych wartości Y., jest to model czysto autoregresyjny (8220a-regressed8221), który jest tylko szczególnym przypadkiem modelu regresji i który może być wyposażony w standardowe oprogramowanie regresyjne. Na przykład, autoregresyjny model pierwszego rzędu (8220AR (1) 8221) dla Y jest prostym modelem regresji, w którym zmienna niezależna jest po prostu Y opóźniona o jeden okres (LAG (Y, 1) w Statgraphics lub YLAG1 w RegressIt). Jeśli niektóre z predyktorów są opóźnieniami błędów, to model ARIMA NIE jest modelem regresji liniowej, ponieważ nie ma sposobu, aby określić 8220last okres8217s błąd8221 jako zmienną niezależną: błędy muszą być obliczane na podstawie okresu do okresu kiedy model jest dopasowany do danych. Z technicznego punktu widzenia problem z wykorzystaniem opóźnionych błędów jako czynników predykcyjnych polega na tym, że przewidywania model8217 nie są liniowymi funkcjami współczynników. mimo że są liniowymi funkcjami przeszłych danych. Współczynniki w modelach ARIMA, które zawierają opóźnione błędy, muszą być oszacowane przez nieliniowe metody optymalizacji (8220hill-climbing8221), a nie przez samo rozwiązanie układu równań. Akronim ARIMA oznacza Auto-Regressive Integrated Moving Average. Lagi z stacjonarnej serii w równaniu prognostycznym nazywane są "wartościami dodatnimi", opóźnienia błędów prognoz są nazywane "przesunięciem średniej", a szeregi czasowe, które muszą być różnicowane, aby stały się stacjonarne, są uważane za "podzielone" wersje stacjonarnej serii. Modele random-walk i random-tendencja, modele autoregresyjne i modele wygładzania wykładniczego są szczególnymi przypadkami modeli ARIMA. Niesezonowy model ARIMA jest klasyfikowany jako model DAIMIMA (p, d, q), gdzie: p to liczba terminów autoregresyjnych, d to liczba niesezonowych różnic potrzebnych do stacjonarności, a q to liczba opóźnionych błędów prognozy w równanie predykcji. Równanie prognostyczne jest skonstruowane w następujący sposób. Po pierwsze, niech y oznacza różnicę d Y. Oznacza to: Zwróć uwagę, że druga różnica Y (przypadek d2) nie jest różnicą od 2 okresów temu. Jest to raczej różnica między pierwszą a różnicą. który jest dyskretnym analogiem drugiej pochodnej, tj. lokalnym przyspieszeniem szeregu, a nie jego lokalnym trendem. Pod względem y. ogólne równanie prognostyczne jest następujące: Tutaj parametry średniej ruchomej (9528217 s) są zdefiniowane w taki sposób, że ich znaki są ujemne w równaniu, zgodnie z konwencją wprowadzoną przez Boxa i Jenkinsa. Niektórzy autorzy i oprogramowanie (w tym język programowania R) definiują je, aby zamiast tego mieli znaki plus. Kiedy rzeczywiste liczby są podłączone do równania, nie ma dwuznaczności, ale ważne jest, aby wiedzieć, którą konwencję używa twoje oprogramowanie podczas odczytu danych wyjściowych. Często parametry są tam oznaczone przez AR (1), AR (2), 8230 i MA (1), MA (2), 8230 itd. Aby zidentyfikować odpowiedni model ARIMA dla Y. zaczynasz od określenia kolejności różnicowania (d) konieczność stacjonowania serii i usunięcia ogólnych cech sezonowości, być może w połączeniu z transformacją stabilizującą warianty, taką jak rejestracja lub deflacja. Jeśli zatrzymasz się w tym momencie i będziesz przewidywał, że zróżnicowana seria jest stała, dopasowałeś jedynie model losowego spaceru lub losowego trendu. Jednak stacjonarne serie mogą nadal mieć błędy związane z auto - korelacjami, co sugeruje, że w równaniu prognostycznym potrzebna jest również pewna liczba terminów AR (p 8805 1) i kilka warunków MA (q 8805 1). Proces określania wartości p, d i q, które są najlepsze dla danej serii czasowej, zostanie omówiony w późniejszych sekcjach notatek (których linki znajdują się na górze tej strony), ale podgląd niektórych typów nietypowych modeli ARIMA, które są powszechnie spotykane, podano poniżej. ARIMA (1,0,0) Model autoregresyjny pierwszego rzędu: jeśli seria jest stacjonarna i autokorelowana, być może można ją przewidzieć jako wielokrotność jej poprzedniej wartości plus stałą. Równanie prognostyczne w tym przypadku wynosi 8230, co oznacza, że ​​Y cofnął się sam w sobie o jeden okres. Jest to model 8220ARIMA (1,0,0) constant8221. Jeżeli średnia z Y wynosi zero, wówczas nie zostałoby uwzględnione stałe wyrażenie. Jeśli współczynnik nachylenia 981 1 jest dodatni i mniejszy niż 1 w skali (musi być mniejszy niż 1 waga, jeśli Y jest nieruchomy), model opisuje zachowanie polegające na odwróceniu średniej, w którym należy przypisać wartość kolejnego okresu 817 razy 981 razy jako daleko od średniej, jak ta wartość okresu. Jeżeli 981 1 jest ujemny, przewiduje zachowanie średniej odwrócenia z naprzemiennością znaków, tj. Przewiduje również, że Y będzie poniżej średniego następnego okresu, jeśli jest powyżej średniej tego okresu. W modelu autoregresyjnym drugiego rzędu (ARIMA (2,0,0)), po prawej stronie pojawi się również termin Y t-2 i tak dalej. W zależności od znaków i wielkości współczynników, model ARIMA (2,0,0) może opisywać układ, którego średnia rewersja zachodzi w sposób oscylacyjny sinusoidalnie, podobnie jak ruch masy na sprężynie poddanej losowym wstrząsom . Próba losowa ARIMA (0,1,0): Jeśli seria Y nie jest nieruchoma, najprostszym możliwym modelem jest model losowego spaceru, który można uznać za ograniczający przypadek modelu AR (1), w którym autoregresyjny Współczynnik jest równy 1, tzn. szeregowi z nieskończenie powolną średnią rewersją. Równanie predykcji dla tego modelu można zapisać jako: gdzie stałym terminem jest średnia zmiana okresu do okresu (tj. Dryf długoterminowy) w Y. Ten model może być dopasowany jako model regresji bez przechwytywania, w którym pierwsza różnica Y jest zmienną zależną. Ponieważ zawiera on (tylko) niesezonową różnicę i stały termin, jest klasyfikowany jako model DAIMA (0,1,0) ze stałą. Często Model bezładnego spaceru byłby ARIMA (0,1; 0) model bez stałego ARIMA (1,1,0) różny model autoregresyjny pierwszego rzędu: Jeśli błędy modelu losowego spaceru są autokorelowane, być może problem można rozwiązać, dodając jedno opóźnienie zmiennej zależnej do równania predykcji - - to znaczy przez regresję pierwszej różnicy Y, która sama w sobie jest opóźniona o jeden okres. To przyniosłoby następujące równanie predykcji: które można przekształcić w To jest autoregresyjny model pierwszego rzędu z jednym rzędem niesezonowego różnicowania i stałym terminem - tj. model ARIMA (1,1,0). ARIMA (0,1,1) bez stałego prostego wygładzania wykładniczego: Inna strategia korekcji błędów związanych z autokorelacją w modelu losowego spaceru jest zasugerowana przez prosty model wygładzania wykładniczego. Przypomnijmy, że w przypadku niektórych niestacjonarnych szeregów czasowych (na przykład takich, które wykazują głośne wahania wokół wolno zmieniającej się średniej), model spaceru losowego nie działa tak dobrze, jak średnia ruchoma wartości z przeszłości. Innymi słowy, zamiast brać ostatnią obserwację jako prognozę następnej obserwacji, lepiej jest użyć średniej z ostatnich kilku obserwacji w celu odfiltrowania hałasu i dokładniejszego oszacowania średniej lokalnej. Prosty model wygładzania wykładniczego wykorzystuje wykładniczo ważoną średnią ruchomą przeszłych wartości, aby osiągnąć ten efekt. Równanie predykcji dla prostego modelu wygładzania wykładniczego można zapisać w wielu matematycznie równoważnych formach. jedną z nich jest tak zwana forma 8220, korekta zera 8221, w której poprzednia prognoza jest korygowana w kierunku popełnionego błędu: Ponieważ e t-1 Y t-1 - 374 t-1 z definicji, można to przepisać jako : co jest równaniem ARIMA (0,1,1) - bez stałej prognozy z 952 1 1 - 945. Oznacza to, że możesz dopasować proste wygładzanie wykładnicze, określając je jako model ARIMA (0,1,1) bez stała, a szacowany współczynnik MA (1) odpowiada 1-minus-alfa w formule SES. Przypomnijmy, że w modelu SES średni wiek danych w prognozach z wyprzedzeniem 1 roku wynosi 1 945. Oznacza to, że będą one pozostawać w tyle za trendami lub punktami zwrotnymi o około 1 945 okresów. Wynika z tego, że średni wiek danych w prognozach 1-okresowych modelu ARIMA (0,1,1) - bez stałej wynosi 1 (1 - 952 1). Tak więc, na przykład, jeśli 952 1 0.8, średnia wieku wynosi 5. Ponieważ 952 1 zbliża się do 1, ARIMA (0,1,1) - bez stałego modelu staje się bardzo długookresową średnią ruchomą, a jako 952 1 zbliża się do 0, staje się modelem losowego chodzenia bez dryfu. Jaki jest najlepszy sposób korekcji autokorelacji: dodawanie terminów AR lub dodawanie terminów MA W dwóch poprzednich modelach omówionych powyżej, problem związanych z autokorelacją błędów w modelu losowego spaceru został ustalony na dwa różne sposoby: przez dodanie opóźnionej wartości różnej serii do równania lub dodanie opóźnionej wartości błędu prognozy. Które podejście jest najlepsze Zasada praktyczna dla tej sytuacji, która zostanie omówiona bardziej szczegółowo w dalszej części, polega na tym, że pozytywna autokorelacja jest zwykle najlepiej traktowana przez dodanie do modelu warunku AR, a negatywna autokorelacja jest zwykle najlepiej traktowana przez dodanie Termin magisterski. W biznesowych i ekonomicznych szeregach czasowych negatywna autokorelacja często pojawia się jako artefakt różnicowania. (Ogólnie rzecz biorąc, różnicowanie zmniejsza pozytywną autokorelację, a nawet może spowodować przełączenie z autokorelacji dodatniej na ujemną). Tak więc model ARIMA (0,1,1), w którym różnicowanie jest połączone z terminem MA, jest częściej używany niż Model ARIMA (1,1,0). ARIMA (0,1,1) o stałym prostym wygładzaniu wykładniczym ze wzrostem: Dzięki wdrożeniu modelu SES jako modelu ARIMA można uzyskać pewną elastyczność. Po pierwsze, szacowany współczynnik MA (1) może być ujemny. odpowiada to współczynnikowi wygładzania większemu niż 1 w modelu SES, co zwykle nie jest dozwolone w procedurze dopasowania modelu SES. Po drugie, masz możliwość włączenia stałego warunku w modelu ARIMA, jeśli chcesz, aby oszacować średni niezerowy trend. Model ARIMA (0,1,1) ze stałą ma równanie prognozy: prognozy jednokresowe z tego modelu są jakościowo podobne do tych z modelu SES, z tym że trajektoria prognoz długoterminowych jest zwykle linia nachylenia (której nachylenie jest równe mu) zamiast linii poziomej. ARIMA (0,2,1) lub (0,2,2) bez stałego liniowego wygładzania wykładniczego: liniowe modele wygładzania wykładniczego są modelami ARIMA, które wykorzystują dwie niesezonowe różnice w połączeniu z terminami MA. Druga różnica w serii Y nie jest po prostu różnicą między Y a nią opóźnioną o dwa okresy, ale raczej jest pierwszą różnicą pierwszej różnicy - a. e. zmiana w Y w okresie t. Tak więc druga różnica Y w okresie t jest równa (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Druga różnica funkcji dyskretnej jest analogiczna do drugiej pochodnej funkcji ciągłej: mierzy ona przyspieszenie cytadania lub inną krzywiznę w funkcji w danym punkcie czasu. Model ARIMA (0,2,2) bez stałej przewiduje, że druga różnica szeregu równa się funkcji liniowej dwóch ostatnich błędów prognozy: która może być uporządkowana jako: gdzie 952 1 i 952 2 to MA (1) i Współczynniki MA (2). Jest to ogólny liniowy model wygładzania wykładniczego. w zasadzie taki sam jak model Holt8217s, a model Brown8217s to szczególny przypadek. Wykorzystuje wykładniczo ważone średnie ruchome do oszacowania zarówno lokalnego poziomu, jak i lokalnego trendu w serii. Długoterminowe prognozy z tego modelu zbiegają się do linii prostej, której nachylenie zależy od średniej tendencji obserwowanej pod koniec serii. ARIMA (1,1,2) bez stałego liniowego tłumienia wykładniczego. Ten model jest zilustrowany na załączonych slajdach w modelach ARIMA. Ekstrapoluje lokalny trend pod koniec serii, ale spłaszcza go na dłuższych horyzontach prognozy, wprowadzając nutę konserwatyzmu, praktykę, która ma empiryczne wsparcie. Zobacz artykuł na ten temat: "Dlaczego działa Damped Trend" autorstwa Gardnera i McKenziego oraz artykuł "Zgodny z legendą" Armstronga i in. dla szczegółów. Ogólnie zaleca się trzymać modele, w których co najmniej jedno z p i q jest nie większe niż 1, tj. Nie próbować dopasować modelu takiego jak ARIMA (2,1,2), ponieważ może to prowadzić do przeuczenia oraz pytania o współczynniku równomolowym, które omówiono bardziej szczegółowo w uwagach dotyczących struktury matematycznej modeli ARIMA. Implementacja arkusza kalkulacyjnego: modele ARIMA, takie jak opisane powyżej, można łatwo wdrożyć w arkuszu kalkulacyjnym. Równanie predykcyjne jest po prostu równaniem liniowym, które odnosi się do przeszłych wartości pierwotnych szeregów czasowych i przeszłych wartości błędów. W ten sposób można skonfigurować arkusz kalkulacyjny prognozowania ARIMA, przechowując dane w kolumnie A, formułę prognozowania w kolumnie B i błędy (dane minus prognozy) w kolumnie C. Formuła prognozowania w typowej komórce w kolumnie B byłaby po prostu wyrażenie liniowe odnoszące się do wartości w poprzednich wierszach kolumn A i C, pomnożone przez odpowiednie współczynniki AR lub MA przechowywane w komórkach w innym miejscu arkusza kalkulacyjnego. 8.4 Modele średniej ruchomej Zamiast używać wartości przeszłych zmiennej prognozowanej w regresji, ruchomy średni model wykorzystuje błędy przeszłości prognozowane w modelu podobnym do regresji. y c et theta e theta e dots theta e, gdzie et jest białym szumem. Mówimy o tym jako o modelu MA (q). Oczywiście nie obserwujemy wartości et, więc nie jest to regresja w zwykłym sensie. Zauważ, że każdą wartość yt można uważać za ważoną średnią ruchomą z kilku ostatnich błędów prognozy. Jednak modeli średniej ruchomej nie należy mylić ze średnią ruchomą, o której mówiliśmy w Rozdziale 6. Model średniej ruchomej jest używany do prognozowania przyszłych wartości, podczas gdy średnia ruchoma służy do oszacowania trendu w przeszłych wartościach. Rysunek 8.6: Dwa przykłady danych z modeli średniej ruchomej o różnych parametrach. Po lewej: MA (1) z y t 20e t 0,8 e t-1. Po prawej: MA (2) z y t e t e t-1 0,8 e t-2. W obu przypadkach, e t jest normalnie rozproszonym szumem białym o średniej zero i wariancji jeden. Rysunek 8.6 pokazuje niektóre dane z modelu MA (1) i MA (2). Zmiana parametrów theta1, dots, thetaq skutkuje różnymi wzorami szeregów czasowych. Podobnie jak w przypadku modeli autoregresyjnych, wariancja terminu błędu et zmieni jedynie skalę serii, a nie wzory. Możliwe jest zapisanie dowolnego stacjonarnego modelu AR (p) jako modelu MA (infty). Na przykład, używając powtórnej substytucji, możemy to zademonstrować dla modelu AR (1): zacząć yt amp phi1y i amp phi1 (phi1y e) i amp phi12y phi1 e i amp phi13y phi12e phi1 e et amptext end Provided -1 lt phi1 lt 1, wartość phi1k będzie się zmniejszać, gdy k będzie większe. Tak więc ostatecznie otrzymujemy yt et phi1 e phi12 e phi13 e cdots, proces MA (infty). Odwrotny wynik ma miejsce, jeśli nałożymy pewne ograniczenia na parametry MA. Następnie model MA nazywa się odwracalnym. Oznacza to, że możemy zapisać każdy odwracalny proces MA (q) jako proces AR (infty). Modele odwracalne nie umożliwiają po prostu konwersji z modeli MA na modele AR. Mają również pewne właściwości matematyczne, które ułatwiają ich stosowanie w praktyce. Ograniczenia odwracalności są podobne do ograniczeń stacjonarności. Dla modelu MA (1): -1lttheta1lt1. Dla modelu MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Bardziej skomplikowane warunki utrzymują qge3. Ponownie, R będzie dbać o te ograniczenia podczas estymacji modeli.2.1 Modele średniej ruchomej (modele MA) Modele serii czasowej znane jako modele ARIMA mogą zawierać terminy autoregresyjne i średnie ruchome. W pierwszym tygodniu poznaliśmy pojęcie autoregresji w modelu szeregów czasowych dla zmiennej x t jest opóźnioną wartością x t. Na przykład, pojęcie autoregresyjnego opóźnienia 1 to x t-1 (pomnożone przez współczynnik). Ta lekcja definiuje średnie ruchome terminy. Zmienna średnia krocząca w modelu szeregów czasowych to błąd z przeszłości (pomnożony przez współczynnik). Niech (wt overset N (0, sigma2w)), co oznacza, że ​​w t są identycznie, niezależnie rozmieszczone, każdy z rozkładem normalnym mającym średnią 0 i taką samą wariancję. Model średniej ruchomej pierwszego rzędu oznaczony jako MA (1) to (xt mu theta1w). Model średniej ruchomej drugiego rzędu oznaczony jako MA (2) to (xt. Mu theta1w theta2w). Model średniej ruchomej kw. Rzędu oznaczony jako MA (q) to (xt mu wt. theta1w theta2w dots thetaqw) Uwaga. Wiele podręczników i programów definiuje model z negatywnymi znakami przed terminami. Nie zmienia to ogólnych teoretycznych właściwości modelu, mimo że odwraca algebraiczne znaki szacowanych wartości współczynników i (nieakwadowanych) terminów w formułach dla ACF i wariancji. Musisz sprawdzić oprogramowanie, aby sprawdzić, czy zostały użyte negatywne lub pozytywne znaki, aby poprawnie zapisać oszacowany model. R używa pozytywnych znaków w swoim podstawowym modelu, tak jak my tutaj. Teoretyczne właściwości szeregu czasowego z modelem MA (1) Należy zauważyć, że jedyną niezerową wartością w teoretycznym ACF jest dla opóźnienia 1. Wszystkie inne autokorelacje wynoszą 0. Zatem próbka ACF ze znaczącą autokorelacją tylko w opóźnieniu 1 jest wskaźnikiem możliwego modelu MA (1). Dla zainteresowanych studentów, dowody tych właściwości są załącznikiem do tej ulotki. Przykład 1 Załóżmy, że model MA (1) to x t 10 w t .7 w t-1. gdzie (wt overset N (0,1)). Zatem współczynnik 1 0,7. Teoretyczny ACF jest podany przez A wykres tego ACF. Przedstawiony wykres jest teoretycznym ACF dla MA (1) z 1 0,7. W praktyce próbka zwykle zapewnia tak wyraźny wzór. Korzystając z R, symulowaliśmy n 100 wartości próbek, stosując model x t 10 w t .7 w t-1, gdzie w tid N (0,1). W przypadku tej symulacji następuje wykres serii danych przykładowych. Nie możemy wiele powiedzieć z tego spisku. Wyświetlany jest przykładowy ACF dla symulowanych danych. Widzimy skok w opóźnieniu 1, po którym następują ogólnie nieistotne wartości opóźnień po 1. Należy zauważyć, że próbka ACF nie pasuje do teoretycznego wzoru leżącego u podstaw MA (1), co oznacza, że ​​wszystkie autokorelacje dla opóźnień minionych 1 będą wynosić 0 Inna próbka miałaby nieco inny przykładowy ACF pokazany poniżej, ale prawdopodobnie miałby te same szerokie funkcje. Teoretyczne właściwości szeregu czasowego z modelem MA (2) Dla modelu MA (2), właściwości teoretyczne są następujące: Należy zauważyć, że jedyne niezerowe wartości w teoretycznym ACF dotyczą opóźnień 1 i 2. Autokorelacje dla wyższych opóźnień wynoszą 0 Tak więc, próbka ACF ze znaczącymi autokorelacjami w opóźnieniach 1 i 2, ale nieistotne autokorelacje dla wyższych opóźnień wskazuje na możliwy model MA (2). iid N (0,1). Współczynniki wynoszą 1, 0,5 i 2 0,3. Ponieważ jest to MA (2), teoretyczny ACF będzie miał niezerowe wartości tylko w opóźnieniach 1 i 2. Wartości dwóch niezerowych autokorelacji to wykres teoretycznego ACF. Jak prawie zawsze, dane przykładowe nie zachowują się tak doskonale, jak teoria. Przeprowadzono symulację wartości 150 próbek dla modelu x t 10 w t .5 w t-1 .3 w t-2. gdzie z tid N (0,1). Następnie następuje seria danych czasowych. Podobnie jak w przypadku wykresu szeregów czasowych dla przykładowych danych MA (1), nie można wiele z nich powiedzieć. Wyświetlany jest przykładowy ACF dla symulowanych danych. Wzór jest typowy w sytuacjach, w których może być przydatny model MA (2). Istnieją dwa istotne statystycznie skoki w opóźnieniach 1 i 2, a następnie nieistotne wartości dla innych opóźnień. Zauważ, że z powodu błędu próbkowania, próbka ACF nie zgadzała się dokładnie z modelem teoretycznym. ACF dla modeli MA (q) Ogólne Właściwość modeli MA (q) ogólnie jest taka, że ​​istnieją niezerowe autokorelacje dla pierwszych q opóźnień i autokorelacji 0 dla wszystkich opóźnień gt q. Niejednoznaczność połączenia między wartościami 1 i (rho1) w modelu MA (1). W modelu MA (1) dla dowolnej wartości 1. odwrotność 1 1 daje tę samą wartość Jako przykład, użyj 0.5 dla 1. a następnie użyj 1 (0,5) 2 dla 1. Dostaniesz (rho1) 0,4 w obu przypadkach. Aby spełnić teoretyczne ograniczenie zwane odwracalnością. ograniczamy MA (1) modelom do wartości z wartością bezwzględną mniejszą niż 1. W podanym przykładzie 1 0,5 będzie dopuszczalną wartością parametru, a 1 10,5 2 nie. Odwracalność modeli MA Model MA jest uważany za odwracalny, jeśli jest algebraicznie równoważny z konwergentnym nieskończonym modelem AR rzędu. Przez konwergencję rozumiemy, że współczynniki AR zmniejszają się do 0, gdy cofamy się w czasie. Odwracalność jest ograniczeniem zaprogramowanym w oprogramowaniu szeregów czasowych służącym do oszacowania współczynników modeli z warunkami MA. To nie jest coś, co sprawdzamy w analizie danych. Dodatkowe informacje na temat ograniczeń odwracalności modeli MA (1) podano w załączniku. Advanced Theory Note. W przypadku modelu MA (q) z określonym ACF istnieje tylko jeden odwracalny model. Warunkiem koniecznym do odwrócenia jest to, że współczynniki mają wartości takie, że równanie 1- 1 y-. - q y q 0 ma rozwiązania dla y, które wypadają poza kółkiem jednostki. Kod R dla przykładów W przykładzie 1, narysowaliśmy teoretyczny ACF modelu x t 10 w t. 7w t-1. a następnie zasymulowano wartości n 150 z tego modelu i wykreślono serie czasowe próbek oraz próbkę ACF dla symulowanych danych. Polecenia R użyte do wykreślenia teoretycznego ACF to: acfma1ARMAacf (mac (0.7), lag. max10) 10 opóźnień ACF dla MA (1) z theta1 0.7 lags0: 10 tworzy zmienną o nazwie opóźnienia, która mieści się w zakresie od 0 do 10. wykres (opóźnienia, acfma1, xlimc (1,10), ylabr, typeh, główne ACF dla MA (1) z theta1 0.7) abline (h0) dodaje oś poziomą do wykresu Pierwsze polecenie określa ACF i zapisuje je w obiekcie o nazwie acfma1 (nasz wybór nazwy). Polecenie fabuły (polecenie 3) wykreśla opóźnienia w stosunku do wartości ACF dla opóźnień od 1 do 10. Parametr ylab oznacza oś y, a parametr główny umieszcza tytuł na wykresie. Aby zobaczyć wartości liczbowe ACF, wystarczy użyć polecenia acfma1. Symulacja i wykresy zostały wykonane za pomocą następujących poleceń. xcarima. sim (n150, list (mac (0.7))) Symuluje n 150 wartości z MA (1) xxc10 dodaje 10, aby uzyskać średnią 10. Domyślne wartości symulacji do średniej 0. wykres (x, typb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF dla symulowanych danych próbki) W Przykładzie 2, wyliczyliśmy teoretyczny ACF modelu xt 10 wt .5 w t-1 .3 w t-2. a następnie zasymulowano wartości n 150 z tego modelu i wykreślono serie czasowe próbek oraz próbkę ACF dla symulowanych danych. Zastosowano następujące komendy R: acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 wykres lags0: 10 (opóźnienia, acfma2, xlimc (1,10), ylabr, typeh, główny ACF dla MA (2) z theta1 0.5, theta20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) wykres xxc10 (x, typb, główna symulowana seria MA (2)) acf (x, xlimc (1,10), mainACF dla symulowanych danych MA (2) Załącznik: Dowód właściwości MA (1) Dla zainteresowanych studentów, tutaj są dowody na teoretyczne właściwości modelu MA (1). Wariancja: (tekst (xt) tekst (mu wt theta1 w) 0 tekst (wt) tekst (theta1w) sigma2w theta21sigma2w (1teta21) sigma2w) Gdy h 1, poprzednie wyrażenie 1 w 2. Dla dowolnego h 2, poprzednie wyrażenie 0 Powodem jest to, że z definicji niezależności wt. E (w k w j) 0 dla dowolnego k j. Ponadto, ponieważ w t mają średnią 0, E (wj w j) E (wj2) w 2. W przypadku szeregu czasowego Zastosuj ten wynik, aby uzyskać powyższy ACF. Odwracalny model MA to taki, który można zapisać jako nieskończony model AR rzędu, który zbiega się tak, że współczynniki AR zbiegają się do 0, gdy cofamy się w nieskończoność w czasie. Dobrze demonstruje odwzorowanie modelu MA (1). Następnie podstawiamy relację (2) dla w t-1 w równaniu (1) (3) (zt wt theta1 (z - theta1w) wt theta1z - theta2w) W czasie t-2. równanie (2) staje się wtedy zastępujemy zależności (4) dla w t-2 w równaniu (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z-teta1w) wt theta1z - theta12z theta31w) Jeśli mielibyśmy kontynuować ( w nieskończoność), otrzymalibyśmy nieskończony porządek modelu AR (zt wt theta1 z - theta21z theta31z - theta41z dots) Zwróć jednak uwagę, że jeśli 1 1, współczynniki pomnożące opóźnienia z wzrosną (nieskończenie) w miarę, jak cofniemy się w czas. Aby temu zapobiec, potrzebujemy 1 lt1. Jest to warunek dla odwracalnego modelu MA (1). Nieskończony model MA zamówienia W tygodniu 3, zobacz, że model AR (1) można przekonwertować do modelu MA nieskończonego rzędu: (xt - mu wt phi1w phi21w dots phik1 w dots sum phij1w) To podsumowanie ostatnich terminów białego szumu jest znane jako przyczynową reprezentację AR (1). Innymi słowy, x t jest szczególnym rodzajem MA z nieskończoną liczbą terminów cofających się w czasie. Nazywa się to nieskończonym porządkiem MA lub MA (). MA skończonego porządku jest nieskończonym porządkiem AR, a każde skończone zamówienie AR jest nieskończonym zleceniem MA. Przypomnijmy w Tygodniu 1, że zauważyliśmy, że warunkiem stacjonarnego AR (1) jest 1 lt1. Pozwala obliczyć Var (x t) za pomocą reprezentacji przyczynowej. Ten ostatni krok wykorzystuje podstawowy fakt o szeregach geometrycznych, które wymagają (phi1lt1), w przeciwnym razie seria się rozbiega. Nawigacja