Преобразование нестационарных временных рядов в стационарные
Реальные процессы свойством стационарности второго порядка могут и не обладать. Однако с помощью достаточно несложных преобразований часто удается привести наблюдаемый ряд к стационарному процессу. Примерами таких преобразований являются: а) взятие конечных разностей . (28) – первая разность. Это преобразование целесообразно использовать, когда закон изменения близок к линейному. . (29) – вторая разность. Преобразование применяется, когда закон изменения близок к квадратической зависимости и т.д.; б) логарифмирование цепных индексов . (30) Применяется при экспоненциальном росте , ; в) расчет темпов прироста , (31) а также некоторые другие. При работе преобразование (30) более удобно, так как позволяет достаточно просто изменять временные серии исходных данных в связи, например, с укрупнением временных интервалов. Пусть возникла необходимость проанализировать временные ряды серии удвоенного временного интервала (t –1, t +1), т.е., например, . Для такой серии преобразование (30) приводит к следующему временному ряду: , (32) где – преобразованное значение показателя на удвоенном интервале. Его величина представляет собой простую арифметическую сумму преобразованных значений показателей исходных интервалов, объединение которых привело к новой серии. В то же время для преобразования (31) в этом случае получим более сложное выражение, определяющее для значения нового временного ряда: . (33) Для превращения исходного нестационарного ряда в стационарный могут быть использованы и другие преобразования. Например, , и т.д. В каждом конкретном случае, выбирая преобразование, необходимо исходить из примерной формы временного графика зависимости . «Удачное» преобразование должно обеспечивать приблизительное выполнение условия . В условиях постоянства математического ожидания и дисперсии особенности конкретного стационарного процесса второго порядка полностью определяются характером его автокорреляционной функции, имеющей вид зависимости значений коэффициентов автокорреляции от сдвига. Иными словами, автокорреляционная функция является дискретной и представляет собой последовательность значений коэффициентов автокорреляции , поставленных в зависимость от сдвига i, где . Аналогично можно сформировать автоковариационную функцию стационарного процесса представив ее в виде последовательности коэффициентов автоковариаций поставленных в зависимость от сдвига i. Напомним, что между соответствующими значениями этих функций существует однозначная взаимосвязь , т.е. . Все множество стационарных процессов второго порядка в общем случае в зависимости от особенностей их автокорреляционных функций разбивается на несколько однородных групп, для каждой из которых можно подобрать и построить адекватную модель. В общем случае можно выделить три группы таких моделей – модели авторегрессии, модели скользящего среднего и смешанные модели авторегрессии-скользящего среднего.
|