Обоснование применения модели ARДля того, чтобы обосновать применение модели авторегрессии, обычно рассматривается соотношение между двумя дисперсиями. – дисперсия исходного процесса; – дисперсия ошибки. Рассмотрим выражение (2) в случае . . Рассмотрим Так как уровень ряда и текущий уровень ошибки являются независимыми случайными величинами, то . Поэтому, Получаем, что . Рассмотрим . Было введено, что коэффициент автокорреляции => . Подставим полученное выражение в : , – выражение дисперсии ряда через дисперсию ошибки. Пусть по результатам наблюдений получены выборочные коэффициенты , Тогда можно оценить отношение . Модель считается хорошей, если (гораздо больше).
Примеры анализа моделей: 1. Модель AR(1). Вид . Система уравнений Юла-Уокера . Оценка качества. Соотношение: . Видно, что чем ближе коэффициент к 1, тем выше качество модели . Например, пусть , тогда . При таком значении коэффициента корреляции дисперсия ошибки в 5 раз меньше дисперсии уровня ряда. 2. Модель AR(2). Вид . Система Юла Уокера принимает вид: . Решение данной системы имеет вид: . Оценка качества. Подставим оценки коэффициентов в выражение для дисперсии: . После решения системы можно определить для полученной модели соотношение между дисперсиями. Анализ показывает, что при значении соотношение между дисперсиями также равно . Для модели AR(1), AR(2) можно наблюдать соотношение между дисперсиями .
Автокорреляционная функция – это коэффициенты автокорреляции . Графическое изображение этих коэффициентов носит название корреллограмма. С её помощью идентифицируют модели авторегрессии скользящего среднего.
2 4 1 3
Для каждого процесса характерно своё поведение автокорреляционной функции.
Модели скользящего среднего MA(m ) Эти модели строят на основании предположения о том, что текущее значение уровня ряда представляется в виде линейной комбинации текущей и прошлых значений ошибки, то есть , где – параметры модели, – белый шум, – порядок модели. Напомним, , , . Автокорреляционная функция имеет вид: , . Найдём коэффициенты автокорреляции для модели MA(m) . Вспомогательный результат , . Рассмотрим его выражение при , , . Пусть теперь , тогда . Аналогично для любого можно записать, что . Полученное выражение используется при идентификации моделей. Автокорреляционная функция модели MA(m)) обрывается после момента :
MA(1) MA(2)
1 2 3 1 2 3
Получим выражение для коэффициентов автокорреляции. Для этого разделим на : . Аналогично решению системы Юла-Уокера, для получения оценок коэффициентов модели M А необходимо вычислить выборочные коэффициенты автокорреляции , подставить полученные выражения и получить оценки . Однако такую систему нужно решать численными методами. Примеры нахождения оценок MA(1). Вид . Выражение для дисперсии , . Пусть получено значение выборочного коэффициента автокорреляции, тогда получаем , , , , . , . Отсюда следует, что из двух корней полученного уравнения, один из корней всегда , а другой . Согласно теории стационарных процессов необходимым условием стационарности является . Также необходимо, чтобы , . Вывод: модели скользящего среднего порядка 1 могут применяться только для описания процесса с автокорреляционной функции, обрывающейся после первой задержки и таких, что . Оценим дисперсию для процесса MA(1), получаем: . Это означает, что точность модели MA равна 1,25 и относительный выигрыш в точности составляет менее 25%.
Обобщение модели ARMA(p,q) или ARIMA(p,d,q) – модели авторегрессии скользящего среднего ARMA(p,q)=ARIMA(p,0,q). Эти модели основаны на предположении о том, что текущий уровень ряда является линейной комбинацией p своих предыдущих уровней и q своих предыдущих ошибок. При идентификации модели ARMA(p,q) пользуются тем, что их автокорреляционные функции затухают плавно по экспоненте или синусоиде. Общий вид модели: .
|