时间序列分析(四)——差分运算、延迟算子、AR(p)模型

此前篇章:

时间序列分析(一)——基础概念篇

时间序列分析(二)——平稳性检验

时间序列分析(三)——白噪声检验


一、差分运算

差分运算的定义:差分运算是一种将非平稳时间序列转换为平稳时间序列的常用方法。

p阶差分:对于一个时间序列 {Xt​},其一阶差分序列为 \triangledown X_{t} = X_{t}-X_{t-1};二阶差分序列是在一阶差分的基础上再次进行一阶差分,二阶差分序列为 \triangledown^{2} X_{t} = \triangledown X_{t}-\triangledown X_{t-1},以此类推得到p阶差分。

作用:可以消除时间序列中的趋势和季节性成分,使其满足平稳性的要求,从而可以应用平稳时间序列的分析方法进行建模和预测。例如,对于一个具有线性趋势的时间序列,经过一阶差分后,通常可以消除趋势的影响,使其均值、方差等统计特性在时间上保持稳定。

二、延迟算子

延迟算子的定义:延迟算子 L 是一种用于表示时间序列滞后值的算子,定义为 X_{t-1}=LX_{t}​,即 L 作用于 Xt​ 上,得到的是 Xt​ 的前一期值。一般地,X_{t-k}=L^{k}X_{t }​,表示 Xt​ 的前 k 期值。

作用: 延迟算子可以方便地表示时间序列模型中的滞后项,简化模型的表达式

三、线性差分方程

这部分内容涉及到线性代数的相关知识。简单提一提,了解一下。

定义:线性差分方程是描述时间序列与其过去值和过去误差项之间线性关系的方程。

一般形式:X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=h(t),其中h(t)为关于 t 的函数,a为常数。

  • 齐次方程:等式右边为零,解由特征根决定。

  • 非齐次方程:包含外部项(如白噪声 ϵt​),解为齐次解与特解之和。

3.1 齐次线性差分方程的解

形式:

X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=0

假设解为指数形式 X_{p}=r^{p},得到其特征方程

r^{p}+a_{1}r^{p-1}+\cdot \cdot \cdot +a_{p}=0 

这是一个p次线性方程,应该有p个非零根,称为特征方程的特征根,假设为 r1、r2、...、rp。

特征方程:特征方程是通过将给定的方程转换成多项式方程来帮助我们找到解的一个工具。

特征根 ≠ 方程的解

  • 特征根是解的基底参数:特征根本身不是方程的解,但通过特征根可以构造出齐次方程的通解。

  • 示例:AR(2)模型的特征方程为 ,若得到两个实根 r1,r2,则齐次解为:

     

    这里 r1,r2​ 是特征根,而通解是它们的线性组合。

根据特征根的类型构造通解

  • 所有根都为实根且无重根:每个实根 ri 对应一项 ,通解为:

  • 重根(相同取值的根):若 r 是 k 重根,通解中包含多项式项为:

  • 复根:复根(复数形式,包含实部和虚部)以共轭对形式出现 α±βii,转换为极坐标r=\rho ^{\pm i\omega },通解中包含的对应项为:

平稳性条件:齐次解中每个项的收敛性由特征根 ri 的模长 ∣ri∣ 决定 

平稳性要求:特征根在单位圆内,即所有特征根的模长 ∣ri∣<1

  • 当 ∣ri∣<1 时,r_{i}^{t}​ 随时间指数衰减,序列趋于平稳。

  • 若存在 ∣ri∣≥1,解会发散或震荡不衰减,导致非平稳。

特征根的作用

(1)确定解的数学形式

特征根决定了齐次解的形式(指数、三角函数等):

  • 实根:解为指数函数的线性组合。对应指数增长或衰减的分量。

  • 复根:解表现为阻尼震荡,对应周期性波动,体现时间序列的周期行为。

  • 重根:解包含多项式项,引入多项式时间项,如t^{k}r^{t},反映多重动态效应。

(2) 判断模型的平稳性

  • 平稳性条件:当所有特征根的模(绝对值)严格小于1时(即位于复平面的单位圆内),齐次解会随时间指数衰减至零,系统趋于平稳。若存在特征根模≥1,解不收敛,序列非平稳,如随机游走。

  • 应用场景:在拟合AR(p)或ARMA模型后,需检查特征根是否满足平稳性条件。例如,若特征方程有根接近单位圆(如 ∣r∣=0.95),序列可能呈现缓慢衰减的自相关性。

(3) 揭示时间序列的动态行为

  • 衰减速率:特征根的模长决定序列记忆效应的持久性。模越接近0,衰减越快(短期记忆);模接近1,衰减越慢(长期记忆)。

  • 周期性:复根对应的频率 ω 决定了序列的周期长度 T=2π/ωT=2π/ω。例如,季度数据可能对应 ω=π/2,周期 T=4T=4。

  • 爆炸性或震荡性:模>1的根导致序列发散(如 r=1.1时,Xt 指数增长);复根的模>1则导致振幅递增的震荡。

为什么必须结合特征根分析?

数学必然性:无特征根则无法求解差分方程,更无法理解模型动态。

工程必要性:特征根是验证模型合理性(平稳性、可逆性)的核心工具。

解释性需求:通过特征根的位置和类型,可直观解释序列的周期性、趋势性及衰减模式。

预测与控制:特征根的衰减速率直接影响预测精度和置信区间,帮助优化模型选择。

3.2 非齐次线性差分方程的解

非齐次线性差分方程的形式为:

X_{t}+a_{1}X_{t-1}+\cdot \cdot \cdot +a_{p}X_{t-p}=h(t)

 其中右边 h(t) 包含外部扰动项(如白噪声 ϵt)

通解的结构:

Xt​ = 齐次解(瞬态) + 特解(稳态)

  • 齐次解:对应方程右边为零时的解(由特征根决定)。

  • 特解:针对非齐次项 h(t) 构造的特殊解。

理解长期行为与短期动态:

  • 长期行为:特解(由噪声驱动)主导稳态响应。
  • 短期动态:齐次解(由初始条件驱动)反映瞬态响应,其衰减速率由特征根决定。

3.3 时间序列模型与线性差分方程的联系

核心工具:线性差分方程是AR、MA、ARMA等经典时间序列模型的数学基础。

动态特性:通过特征根分析,可判定序列的平稳性、周期性及衰减速率。

四、AR模型(自回归模型)

AR模型是时间序列分析中的核心模型之一,通过历史观测值的线性组合预测当前值。

模型的一般形式:AR(p) 模型表示当前值 Xt​ 与其前 p 个历史值的线性关系,加上随机扰动项(白噪声ϵt​)

参数含义:

  • ϕ1,ϕ2,…,ϕp​:自回归系数,反映过去值对当前值的影响。

  • p:模型阶数,表示依赖的历史步长。

  • ϵt​:独立同分布的白噪声,均值为0,方差为 σ2。

一般形式下的特征方程:

自回归系数多项式

AR(p)模型的另一种模型形式(基于延迟算子),称为自回归系数多项式:

X_{t-1}=LX_{t},AR(p) 模型可以写成:

忽略误差项,令 z = L,特征方程变为:

对比两种模型形式的特征方程,可以得到一条重要的性质:特征根(一般形式)和自回归系数多项式的根成倒数。

基于以上性质,由于特征根和自回归系数多项式的根成倒数关系,AR(p)模型平稳的等价条件是自回归系数多项式方程的所有根 z 的模长都大于1,即 ∣z∣>1(恰好相反)。

注:没提到 “自回归系数多项式” 时,模型默认用一般形式来定义。

4.1 AR模型的性质

(1)平稳性条件:AR(p) 模型的特征方程所有根的模长需严格小于1(位于单位圆内)。若根在单位圆内,历史影响随时间指数衰减,序列趋于平稳;若存在根在单位圆外,序列发散(非平稳)。

(2) 自相关函数(ACF)与偏自相关函数(PACF)【之前文章有讲】

  • ACF(拖尾性):

    • AR(p) 模型的自相关系数逐渐衰减至零,表现为拖尾(指数或震荡衰减)。

    • 物理意义:所有历史值对当前值的间接影响随滞后阶数增加而减弱。

  • PACF(截尾性):

    • 偏自相关系数在滞后 p 阶后突然截尾(接近零),这是识别 AR(p) 模型阶数的关键特征。

    • 原因:PACF 消除了中间变量的影响,仅保留当前值和某一历史值的直接相关性。

4.2 AR(1) 和 AR(2) 的平稳域判别

平稳域方法是通过系数的约束条件来判别 AR 模型的平稳性,只适用于低阶模型。(推导过程略)

  • 对于AR(1)模型,

平稳域条件为:

  •  对于AR(2)模型,

 平稳域条件为:

4.3  平稳AR(p)模型的统计特性

(1)均值:平稳 AR(p) 模型的均值是常数。

实际上,AR(p)模型可以再加上一个常数项\phi _{0}

平稳 AR(p) 模型的均值为常数,记为 μ ,计算公式为 :

推导过程如下, 对模型等式两边取期望:

由于期望是线性的,可以将其拆分:

由于过程是平稳的,所有时间点的期望值都相同,即 E[Xt−k​]=μ,且对于白噪声,有 E[ϵt​]=0,则:

最终得到结果:

(2)方差:平稳 AR(p) 模型的方差是有限且不依赖于时间的 。

# 文章如有错误,欢迎大家指正。我们下期再见叭

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/18767.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LabVIEW 中 dotnet.llb 库功能

在 LabVIEW 功能体系里&#xff0c;位于 C:\Program Files (x86)\National Instruments\LabVIEW 2019\vi.lib\Platform\dotnet.llb 路径下的 dotnet.llb 库意义重大。作为与 .NET 技术交互的关键库&#xff0c;它使 LabVIEW 用户能够与基于 .NET 框架开发的应用程序和组件进行交…

Hello Robot具身智能移动操作机器人Stretch 3:开源、灵巧、友好

Hello Robot机器人中国市场授权合作伙伴 欣佰特科技&#xff08;北京&#xff09;有限公司 salescnbytec.com Stretch 3 是一款由Hello Robot公司推出功能强大、设计灵活的7DOF开源移动操作机器人&#xff0c;适用于具身智能研究、科研教育和人机交互等多个领域。其强大的计算…

DeepSeek 15天指导手册——从入门到精通

大家好&#xff0c;欢迎来到今天的教程&#xff01;前几天发表 DeepSeek 的文章&#xff0c;收到大家的一致好评。 YYDS&#xff01;WPS 集成 DeepSeek&#xff0c;办公从此更智能 DeepSeek使用技巧&#xff1a;9个技巧让AI助手变身超级英雄 今天我们为大家带来的是DeepSeek…

kibana es 语法记录 elaticsearch

目录 一、认识elaticsearch 1、什么是正向索引 2、什么是倒排索引 二、概念 1、说明 2、mysql和es的对比 三、mapping属性 1、定义 四、CRUD 1、查看es中有哪些索引库 2、创建索引库 3、修改索引库 4、删除索引库 5、新增文档 6、删除文档 5、条件查询 一、认识…

从技术债务到架构升级,滴滴国际化外卖的变革

背 景 商家营销简述 在外卖平台的运营中&#xff0c;我们致力于通过灵活的补贴策略激励商家&#xff0c;与商家共同打造良好的合作关系&#xff0c;也会提供多样化的营销活动&#xff0c;帮助商家吸引更多用户下单。通过这些活动&#xff0c;不仅能够提高商家的销量&#xff0c…

【Redis系列】Redis安装与使用

???欢迎来到我的博客&#xff0c;很高兴能够在这里和您见面&#xff01;希望您在这里可以感受到一份轻松愉快的氛围&#xff0c;不仅可以获得有趣的内容和知识&#xff0c;也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学习,不断总结,共同进步,活到老学到老…

Spring Boot中如何自定义Starter

文章目录 Spring Boot中如何自定义Starter概念和作用1. 概念介绍2. 作用和优势2.1 简化依赖管理2.2 提供开箱即用的自动配置2.3 标准化和模块化开发2.4 提高开发效率2.5 提供灵活的配置覆盖3. 应用场景创建核心依赖1. 确定核心依赖的作用2. 创建 starter-core 模块2.1 依赖管理…

【触想智能】工业显示器和普通显示器的区别以及工业显示器的主要应用领域分析

在现代工业中&#xff0c;工业显示器被广泛应用于各种场景&#xff0c;从监控系统到生产控制&#xff0c;它们在实时数据显示、操作界面和信息传递方面发挥着重要作用。与普通显示器相比&#xff0c;工业显示器在耐用性、可靠性和适应特殊环境的能力上有着显著的差异。 触想工业…

Deepseek R1模型本地化部署+API接口调用详细教程:释放AI生产力

文章目录 前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装ollama2部署DeepSeek R1模型删除已存在模型&#xff0c;以7b模型为例 三、DeepSeek API接口调用Cline配置 前言 随着最近人工智能 DeepSeek 的爆火&#xff0c;越来越多的技术大佬们开始关注如…

ML.Net二元分类

ML.Net二元分类 文章目录 ML.Net二元分类前言项目的创建机器学习模型的创建添加模型选择方案训练环境的选择训练数据的添加训练数据的选择训练数据的格式要预测列的选择模型评估模型的使用总结前言 ‌ML.NET‌是由Microsoft为.NET开发者平台创建的免费、开源、跨平台的机器学习…

Seaweedfs(master volume filer) docker run参数帮助文档

文章目录 进入容器后执行获取weed -h英文中文 weed server -h英文中文 weed volume -h英文中文 关键点测试了一下&#xff0c;这个-volume.minFreeSpace string有点狠&#xff0c;比如设置值为10&#xff08;10%&#xff09;&#xff0c;它直接给系统只留下10%的空间&#xff0…

【系统架构设计师】虚拟机体系结构风格

目录 1. 说明2. 解释器体系结构风格3. 规则系统体系结构风格4. 例题4.1 例题1 1. 说明 1.p263。2.虚拟机体系结构风格的基本思想是人为构建一个运行环境&#xff0c;在这个环境之上&#xff0c;可以解析与运行自定义的一些语言&#xff0c;这样来增加架构的灵活性。3.虚拟机体…

ROS学习

1.ROS工作空间 存放项目开发相关文件的文件夹&#xff1b; src:代码空间&#xff08;Source Space&#xff09;install:安装空间&#xff08;Install Space&#xff09;build:编译空间&#xff08;Build Space&#xff09;log:日志空间&#xff08;Log Space&#xff09; 2.c…

【vue3】实现pdf在线预览的几种方式

今天一天对当前可用的pdf预览插件做了测试&#xff0c;主要需求是只能预览不能下载&#xff0c;但对于前端来说&#xff0c;没有绝对的禁止&#xff0c;这里只罗列实现方式。 目前采用vue3版本为&#xff1a;3.2.37 iframevue-officepdfjs-dist iframe 先说最简单的&#xf…

Springboot中使用Elasticsearch(部署+使用+讲解 最完整)

目录 引言 一、docker中安装Elasticsearch 1、创建es专有的网络 2、开放端口 3、在es-net网络上安装es和kibana 4、可能出现的问题 5、测试 6、安装IK分词器 7、测试IK分词器 二、结合业务实战 1、准备依赖 2、配置yml 3、读取yml配置 4、准备es配置类 5、编写测…

文件夹上传到github分支最后github上面还是没有文件和文件夹

环境&#xff1a; github 问题描述&#xff1a; 文件夹上传到github分支最后github上面还是没有文件和文件夹, 和这样一样 解决方案&#xff1a; 从 git ls-tree -r HEAD 的输出中可以看到&#xff0c;metahuman-stream 文件夹显示为如下内容&#xff1a; 160000 commi…

基于Go语言 XTA AI聊天界面实现

项目开源地址: XTA-AI-SDK 人工智能技术的迅速发展&#xff0c;AI聊天应用变得越来越流行。本文将介绍如何使用Go语言和LCL库&#xff08; Lazarus Component Library&#xff09;创建一个功能丰富的AI聊天界面。项目主要包含以下模块&#xff1a; 项目背景 本项目旨在为开发…

C++入门小清单

在上一篇文章中我向大家介绍了关于C的命名空间的用处以及一些&#xff0c;这篇内容主要是讲解有关C入门的一些小知识&#xff0c;大家可以通过此文章初步进行一个了解&#xff0c;这些东西在之后的C学习中都会有更多的妙用&#xff0c;如果有小伙伴感兴趣C的命名空间&#xff0…

【kafka系列】日志存储设计 消息写入、读取

目录 日志存储设计 1. 日志存储的目录结构 2. 日志内容格式设计 3. 日志索引设计 4. 设计优势 消息写入流程 示例 流程图 消息读取流程 示例 关键设计细节 流程图 日志存储设计 Kafka的日志存储是其高吞吐、持久化能力的核心设计&#xff0c;其结构包含目录组织、…

复杂电磁环境下无人机自主导航增强技术研究报告——地磁匹配与多源数据融合方法,附matlab代码

本文给出介绍和matlab程序&#xff0c;来实现地磁辅助惯性导航仿真验证&#xff0c;包含地磁基准图构建、飞行轨迹生成、INS误差建模、地磁匹配定位及多源数据融合等模块。通过对比分析验证地磁匹配修正惯性导航累积误差的有效性&#xff0c;可视化显示卫星拒止环境下的航迹修正…