Material1 PDF

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA
Testowanie stopnia zintegrowania szeregu czasowego. Modele ARIMA
Karolina Konopczak
Ekonometria Szeregw Czasowych
28 lutego 2012
Karolina Konopczak
Badanie stacjonarnoci. Modele ARIMA.
Plan prezentacji
Pojcie stacjonarnoci
Badanie stopnia zintegrowania Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Modele ARIMA
Karolina Konopczak
Plan prezentacji
Modele ARIMA
Karolina Konopczak
Zmienne losowe denicje
Yt
zmienna losowa przyjmuje wartoci z okrelonymi
prawdopodobiestwami {Yt } proces stochastyczny cig zmiennych losowych uporzdkowanych wedug czasu
Yt
{yt }
szereg czasowy realizacja procesu stochastycznego
w konkretnej prbie
Karolina Konopczak
Pojcie stacjonarnoci procesu
Stacjonarno I rodzaju (w wszym sensie / mocna)
Rozkad procesu jest niezmienny w czasie (w kadym okresie realizacj zmiennej
Yt
yt
jest
o identycznym rozkadzie)
Stacjonarno II rodzaju (w szerszym sensie / saba)
- rednia i wariancja procesu s stae w czasie

E Y D
( t) = < 2 (Yt ) = 2 <
- kowariancja midzy zmiennymi zaley wycznie od ich odlegoci w czasie (a nie od konkretnego momentu)
Cov Y
( t , Yt +h ) = Cov (Yt +k , Yt +k +h ) = (h)
Karolina Konopczak
Biay szum
Biay szum denicja
(t ) = 0 [wahania maj tendencj do znoszenia si] 2 (t ) = 2 < [stao wariancji w czasie homoskedastyczno] Cov (t , t +h ) = 0, h = 0 [brak autokorelacji]
E D
Wasnoci biaego szumu powinien wykazywa skadnik losowy w klasycznym modelu regresji liniowej.
t IID (0, 2 ) I independent I indentically D distributed
Karolina Konopczak
Zmienna stacjonarna biay szum
Karolina Konopczak
Zmienna niestacjonarna proces bdzenia losowego

Proces bdzenia losowego denicja
yt = yt yt = yt y
0
1 1
T = T t y0= t t= t=
0 1 1
+ t + t = yt 2 + t 1 + t = yt 3 + t 2 + t 1 + t = . . . =
trend stochastyczny
Wasnoci bdzenia losowego
E (yt ) = E ( T= t ) = T= E (t ) = 0 t t cov (t ,t h )= T D (yt ) = D ( T= t ) = t t = D (t ) = T cov (yt , yt h ) = E (yt yt h ) E (yt )E (yt h ) = E ( T=h t T=h t ) t t
1 1 2 2 0 2 2 1 1
E(
T h t=
1
t )E (
T h t=
1
t ) = D (
2
T h t ) = t=
1
T h D t=
1
(t ) = (T h) 2
Karolina Konopczak

Proces bdzenia losowego denicja
yt = yt yt = yt y
0
1 1
T = T t y0= t t= t=
0 1 1
+ t + t = yt 2 + t 1 + t = yt 3 + t 2 + t 1 + t = . . . =
trend stochastyczny
Wasnoci bdzenia losowego
E (yt ) = E ( T= t ) = T= E (t ) = 0 t t cov (t ,t h )= T D (yt ) = D ( T= t ) = t t = D (t ) = T cov (yt , yt h ) = E (yt yt h ) E (yt )E (yt h ) = E ( T=h t T=h t ) t t
1 1 2 2 0 2 2 1 1
E(
T h t=
1
t )E (
T h t=
1
t ) = D (
2
T h t ) = t=
1
T h D t=
1
(t ) = (T h) 2
Karolina Konopczak
Karolina Konopczak
Zmienna niestacjonarna proces bdzenia losowego z dryfem
Proces bdzenia losowego z dryfem denicja
yt = yt =
0 0
+ yt 1 + t + yt 1 + t = 0 + 0 + yt 2 + t 1 + t =
0 + 0 + 0 + yt 3 + t 2 + t 1 + t = . . . =
y0 =
T
0
t=
t
1
trend stochastyczny
Wasnoci bdzenia losowego z dryfem
E (yt ) = E (T
Wariancja i kowariancja takie same, jak w przypadku bdzenia przypadkowego, bo przesuniecie o sta nie wpywa na dyspersj procesu.
T t ) = T t=
1
T E (t ) = T t=
1
Karolina Konopczak
Proces bdzenia losowego z dryfem denicja
yt = yt =
0 0
+ yt 1 + t + yt 1 + t = 0 + 0 + yt 2 + t 1 + t =
0 + 0 + 0 + yt 3 + t 2 + t 1 + t = . . . =
y0 =
T
0
t=
t
1
trend stochastyczny
Wasnoci bdzenia losowego z dryfem
E (yt ) = E (T
Wariancja i kowariancja takie same, jak w przypadku bdzenia przypadkowego, bo przesuniecie o sta nie wpywa na dyspersj procesu.
T t ) = T t=
1
T E (t ) = T t=
1
Karolina Konopczak
Karolina Konopczak
Stopie integracji zmiennej
O zmiennej stacjonarnej mwimy, e jest zintegrowana w
stopniu 0.
Denicja zintegrowania zmiennej
Zmienna
yt
jest zintegrowana w stopniu d (yt
I (d )),
jeeli mona
j sprowadzi do stacjonarnoci po d-krotnym rnicowaniu.
yt = yt 1 + t jest zintegrowany w stopniu 1 (yt I (1)), bo yt yt 1 = t , za t I (0) z denicji.

Np. proces Pierwsze rnice: Drugie rnice:
yt = yt yt 1
yt = yt yt 1 = yt yt 1 yt 1 + yt 2 = yt 2yt 1 + yt 2
Karolina Konopczak
Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci
Plan prezentacji
Modele ARIMA
Karolina Konopczak
Badanie stopnia zintegrowania
Wyznaczenie pierwiastkw wielomianu charakterystycznego procesu [jeeli znany jest proces generujcy dane]
Testy pierwiastka jednostkowego / testy stacjonarnoci
Karolina Konopczak
Badanie stacjonarnoci pierwiastki wielomianu charakterystycznego (1)
AR (p ) : yt = 1 yt 1 + 2 yt 2 + . . . + p yt p + t
L
- operator opnie
Lyt = yt 1
L(Lyt ) = L2 yt = Lyt 1 = yt 2
Proces w postaci wielomianu opnie
AR(p):
t = Lyt + L yt + . . . + p Lp yt + t p yt Lyt L yt . . . p L yt = t p yt (1 L L . . . p L ) = t
y
1 2 2 1 2 2 2 1 2
A(L) - wielomian opnie

AR(p):
t ( ) = t yt = A (L)t
y A L
1 Karolina Konopczak Badanie stacjonarnoci. Modele ARIMA.
Przykad: AR(1)
y
t = yt + t t yt = t yt (1 L) = t 1 yt = t
1 1 1 1 1
1 L
suma nieskoczonego szeregu
A wic:
y
t = t + Lt + L t + L t + . . . yt = t + t + t + t + . . .
1 2 1 2 3 1 3 1 1 2 1 2 3 1 3
Karolina Konopczak
Stacjonarno procesu AR(1) Jeeli
T t= procesem niestacjonarnym. t Jeeli | | < 1, to yt = i=

|1 | = 1,
1
to y
t=
t
szoki z przeszloci nie wygasaj, a wic y
jest
i 1 t i
szoki z przeszloci maj coraz mniejszy
wpyw na biec warto zmiennej, a wic y
jest procesem stacjonarnym.
Badanie stacjonarnoci za pomoc pierwiastkw wielomianu charakterystycznego Wielomian charakterystyczny procesu AR(1): 1
z
Proces AR(1) jest stacjonarny, jeeli wielomianu charakterystycznego
1 z = 0 1 = 1 - pierwiastek
rwnania charakterystycznego
|1 | < 1, 1 | 1 | > 1.
a wic jeli pierwiastek
Karolina Konopczak
Wielomian charakterystyczny procesu AR(2)
Fakt 1. Kady proces AR(p ) moemy zapisa jako AR(1) po

przedeniowaniu zmiennej na wektor zawierajcy jej opnienia. Np.
y y
t = ayt + byt + t
1 2
y 1
t = Ayt + t
1
y 1 y 2
t t
t
0
Fakt 2. Gdy proces
liczb), to oczekiwalimy, e przy stacjonarnoci
yt = Ayt1 + t
dotyczy jednej zmiennej (A
n . Podobnie w n A 0 dla n .
An 0
dla
przypadku macierzy A oczekujemy, e
Karolina Konopczak
Fakt 3. Niech P macierz zoona z wektorw wasnych macierzy A, D macierz zawierajca wartoci wasne macierzy A na gwnej
przektnej (w kolejnoci odpowiadajcej kolumnom w P) i zera poza ni. Istnieje dekompozycja:
= PDP1
Fakt 4. Z algebry macierzy: n n 1 A = PD P Wniosek: A
n0
dla
gdy D
n0
. D jest macierz
diagonaln, a wic dy do zerowej gdy diagonalne elementy d do 0 przy podnoszeniu do kolejnych potg. Czyli ich wartoci bezwzgldne musz by
< 1.
Karolina Konopczak
Wartoci wasne macierzy A:
a b
1 0
=0
(a ) (0 ) b = 0 2 a b = 0
Rozwamy podstawienie 1
az bz 2 = 0
z=
. Wwczas:
Odpowiada to wielomianowi charakterystycznemu procesu AR(2)
yt = ayt 1 + byt 2 + t .
speniony.
Gdy wszystkie pierwiastki
z > 1,
wwczas
(z podstawienia) wszystkie
<1
i warunek stacjonarnoci jest
Karolina Konopczak

Uoglnienie na proces AR(p) Jeeli wielomian charakterystyczny A(L) nie ma pierwiastkw jednostkowych
(wszystkie pierwiastki s co do moduu wiksze od jednoci le poza koem jednostkowym), to proces AR(p) jest stacjonarny [std: testy pierwiastka jednostkowego, o ktrych bdzie mowa za chwil].
Koo jednostkowe:
pierwiastki wielomianu mog by liczbami zespolonymi, tzn. mie cz rzeczywist
a i urojon b (a + bi ). a ab
2
mona je przedstawi na paszczynie jako punkt w przestrzeni dwuwymiarowej o wsprzdnych ( , ).
|a + bi | =
oznacza
+ b 2 , wic warunek stacjonarnoci/odwracalnoci |a + bi | > 1 a2 + b2 > 12 (pole poza okrgiem o rodku (0, 0) i promieniu 1, czyli |a + bi | > 1,
koem jednostkowym). niektre programy ekonometryczne podaj pierwiastki w formie odwrotnoci (Inverse Roots). Skoro to
| + |
pierwiastka musi lee wewntrz koa jednostkowego.

Karolina Konopczak Badanie stacjonarnoci. Modele ARIMA.
a bi
< 1.
W tej sytuacji odwrotno
Test Dickey'a-Fullera (1)
Problem aplikacyjnoci przedstawionej metody W rzeczywisoci nie znamy procesw generujcych dane, a jedynie ich realizacje w skoczonej prbie. Dlatego te do badania stacjonarnoci uywamy testw statystycznych.
Dickey i Fuller (1979, 1981)

AR(1): Proces jest stacjonarny, jeeli
yt = yt
1
+ t
|1 | < 1. 1
moemy jedynie oszacowa jego
Nie znamy prawdziwej wartoci parametru
warto na podstawie realizacji procesu w skoczonej probie i sprawdzi czy rni si istotnie od 1 przy pomocy testu t-Studenta:
H H
0 1
: 1 = 1 : 1 < 1
Jednak z pewnych wzgldw (w przypadku prawdziwoci hipotezy zerowej zmienne w rwnaniu s niestacjonarne, co skutkuje obcieniem estymatora KMNK wicej na ten temat na kolejnych zajciach) hipotezy tej nie mona werykowa bezporednio.
Karolina Konopczak

W celu wyeliminowania potencjalnej niestacjonarnoci zmiennej objanianej w regresji testowej, od obu stron rwnania odejmujemy
yt 1
i w ten sposb otrzymujemy zrnicowan (a wic potencjalnie
stacjonarn) zmienn objanian.

Ostatecznie regresja testowa testu Dickey'a-Fullera ma posta:
yt = (1 1) yt 1 + t
H0 H1
rozkady statystyk testowych zob. MacKinnon (1996) ) Jeeli DF < DF , to odrzucamy H0 na rzecz H1 , czyli proces uznajemy za
: = 0 1 = 1 yt I (1) : < 0 1 < 1 yt I (0) emp = DF (konstrukcja DF S
jak w tecie t-Studenta, tylko inne
emp
stacjonarny. W przeciwnym wypadku nie ma podstaw do odrzucenia H0 o niestacjonarnoci procesu.
Karolina Konopczak
Co zrobi w przypadku braku podstaw do odrzucenia H0 ? W takim przypadku wiemy, ze zmienna jest niestacjonarna, ale nie wiemy, czy nie jest zintegrowana w stopniu wyszym ni 1...
Znowu testujemy... Zmienna jest zintegrowana w stopniu 2 (y
t I (2)),
jeeli staje si ona
stacjonarna dopiero po dwukrotnym rnicowaniu, wic sprawdzamy, czy do ustacjonarnienia zmiennej wystarczyo jednokrotne rnicowanie, czyli czy zmienna jednokrotnie zrnicowana jest stacjonarna:
(yt ) = yt 1 + t H0 : = 0 yt I (2) H1 : < 0 yt I (1) emp = DF DF S
Karolina Konopczak
Co zrobi w przypadku ponownego braku podstaw do odrzucenia H0 ? W takim wypadku nie wiemy, czy zmienna jest zintegrowana w stopniu 2, czy te nieodrzucenie H0 nie wynika przypadkiem z niskiej mocy testu...
Znowu testujemy...
3 yt = 2 yt 1 + t H0 : = 0 yt I (3) H1 : < 0 yt I (2) emp = DF DF S
Jeli ponownie nie ma podstaw do odrzucenia, to oznacza, e test ma sab moc (zbyt rzadko odrzuca nieprawdziw hipotez zerow), poniewa w ekonomii niespotykane s szeregi zintegrowane w stopniu wyszym ni 2.
Karolina Konopczak
Said i Dickey (1985)

Test Dickey'a-Fullera opiera si na zaoeniu, i skadnik losowy regresji testowej ( ) jest biaym szumem. Jeli jedank wystpuje autokorelacja skadnika losowego, czyli cov ( testu. Z tego wzgldu naley pozby si autokorelacji skadnika losowego z regresji testowej! Najprostszym sposobem na jej usunicie jest zdynamizowanie modelu poprzez dodanie opnionych zmiennych objanianych... Augumented Dickey-Fuller test ADF
t , t +h ) = 0,
= 0,
znaczco spada moc
yt = yt 1 + 1 yt 1 + 2 yt 2 + . . . + k yt k + t
Karolina Konopczak
Ile opnie?
oglna zasada: naley zrealizowa cel, jakim jest usunicie autokorelacji skadnika losowego UWAGA! do oceny nie stosujemy testu DW (opniona zmienna objaniana jako regresor...) algorytmy wspomagajce: wskazujemy maksymalny rzd opnie i wybieramy najlepsz regresj testow przy uyciu kryteriw informacyjnych (AIC, SIC, HQC) wskazujemy maksymalny rzd opnie i sprawdzamy, czy ostatnie z nich jest istotne w modelu; jeeli nie, usuwamy je i powtarzamy a do uzyskania istotnego ostatniego opnienia...
Karolina Konopczak
Inne postaci testu DF (ADF):
yt = + yt 1 + yt = + yt 1 +
k i= k i=
1
i yt i i yt i
+ t
H0 :
proces niestacjonarny z dryfem
+ t + t
pozwala na sprawdzenie, czy
szereg jest przyrosto czy trendostacjonarny jeeli odrzucimy H0 , a trend t okae si istotny szereg jest jeeli nie odrzucimy H0 , szereg jest przyrostostacjonarny
trendostacjonarny
dodatkowo mona uwzgldnia trend kwadratowy, sezonowe zmienne zerojedynkowe...
Karolina Konopczak
Test ADF-GLS
Elliot, Rothenberg, and Stock (1996)

prba zwikszenia mocy testu ADF w przypadku procesw silnie autoregresyjnych
Krok 1: z szeregu usuwamy redni (i ewentualnie trend) przez

oszacowanie regresji szeregu wzgldem staej (i ewentualnie trendu) za pomoc estymatora GLS (UMNK)
Krok 2: reszty z kroku 1 do testu ADF
Karolina Konopczak
Test KPSS (1)
Kwiatkowski, Phillips, Schmidt, Shin (1992)
H0 : yt I (0) H1 : yt I (1)
UWAGA: INNY UKAD HIPOTEZ NI W TECIE ADF! krok 1: estymacja OLS parametrw modelu (z trendem lub bez)
yt = + t + t
obliczamy reszty
Karolina Konopczak
Test KPSS (2)

krok 2: obliczamy sumy czciowe reszt
St =
t r =1
r ,
dla t = 1, . . . , T
i warto zgodnego estymatora wariancji dugookresowej reszt (z wagami Newey'a - Westa lub Bartletta)
S 2 (k ) = T 1
wagi Bartletta:
T t =1
2 et + 2
k s =1
w (s , k )
T t =s +1
et et s
w (s , k ) = 1 k
- dobieramy arbitralnie (np.
s k +1
k =8
dla danych kwartalnych)
Karolina Konopczak
Test KPSS (3)
krok 3: obliczamy statystyk testow
KPSS =
T S2 t =1 t T 2 S 2 (k )
KPSS > KPSSkryt
i porwnujemy z wartociami krytycznymi, jeli odrzucamy
H0 .
Karolina Konopczak
Inne testy
testy DHF i HEGY z uwzgldnieniem sezonowoci
Phillips (1987) test uwzgldniajcy (zob. Syczewska, 1998) Ng-Perron (2001)

czny test ADF-KPSS (Charemza
zamanie strukturalne
i Syczewska, 1998;
Kbowski i Welfe, 2004)
Karolina Konopczak
Plan prezentacji
Modele ARIMA
Karolina Konopczak
Geneza
Modele ARIMA: odpowied na wielkie modele strukturalne z lat 70-tych, oparte potencjalnie na regresjach pozornych (Box, Jenkins) modele ateoretyczne wiedza o przyszoci zaklta w przeszoci szeregu dobrze odwzorowuj dynamik zmiennych w krtkim okresie, std dobre krtkookresowe wasnoci prognostyczne bardzo wygodne do prognozowania nie potrzeba egzogenicznych wsadw
Karolina Konopczak
Model AR(p), MA(q)
Model autoregresyjny rzdu p [AR(p)] AR autoregressive

y
t = yt + yt + . . . + p yt p + t
1 1 2 2
Model zapisany przy pomocy operatora opnie:

A L y
( ) t = t ,
A L
( ) = 1 1 L 2 L2 + . . . p Lp
Model redniej ruchomej rzdu q [MA(q)] MA moving average

y
t = t + t + t + . . . + q t q
1 1 2 2
Model zapisany przy pomocy operatora opnie:

y
t = B (L)t ,
B L
( ) = 1 1 L 2 L2 + . . . q Lq
Karolina Konopczak
Model ARMA(p,q), ARIMA(p,d,q), ARIMAX

przy odpowiednich zaoeniach (zob. dalsze slajdy) mona proces AR przeksztaci do postaci MA() i na odwrt w praktyce zadowalajce dopasowanie uzyskuje si dziki kombinacji niewielkiej liczby regresorw typu AR i MA umieszczenie w modelu regresorw zarwno typu AR, jak i MA, pozwala uzyska rozsdne przyblienie, cho identykacja parametrw trudna
p i q takiego modelu jest
Model ARMA(p,q)
A(L)yt = B (L)t A(L) = 1 L L B (L) = 1 L L

1 2 1 2
Model ARIMA(p,d,q) to model ARMA na zmiennych d-krotnie zrnicowanych:
+ . . . p Lp + . . . q Lq
A(L)d yt = B (L)t
Model ARIMAX(p,d,q)
Model ARIMA uzupeniony o zestaw egzogenicznych regresorw:
d yt = c + x t +
i=
i d yt i +
j=
j t j + t
Karolina Konopczak
Identykacja rzdu procesw
Identykacja rzdu procesu: W przypadku modelu AR: identykacja rzdu korelacja midzy
na podstawie
funkcji autokorelacji czstkowej (PACF) [do ktrego opnienia
yt
yt p
jest istotna statystycznie]
W przypadku modelu MA: na podstawie funkcji autokorelacji (ACF) W przypadku modeli ARIMA: wybr postaci (rzd p dla czci AR i q dla czci MA) na podstawie wartoci kryteriw informacyjnych (wszystkie kombinacje opnie dla p i q do danego opnienia zwykle 3-go lub 4-go wcznie)
Karolina Konopczak
ACF / PACF (1)
Funkcja autokorelacji (ACF): dla biaego szumu
cov (y ,y ) k = D t(ytt) k k >0 k = 0

2
dla bdzenia losowego
wpyw szokw nie wygasa)
k >0 k = 1
(proces z dug pamici
dla stacjonarnego procesu autoregresyjnego
yt = yt 1 + t , (0, 1) k = k warto wspczynnika

opnie
autoregresyjnego okrela
tempo, w jakim maleje zaleno biecej zmiennej od
Karolina Konopczak
ACF / PACF (2)
Funkcja autokorelacji czstkowej (PACF) wspczynniki oczyszczone z korelacji z opnieniami porednimi

> wspczynnik korelacji midzy i oraz j z wykluczeniem wpywu l :
r .
ij l =
2 (1ril )
rij ril rjl
2 rjl
oszacowana waro funkcji autokorelacji czstkowej rzdu k rwna si wyestymowanemu wspczynnikowi k-go rzdu w modelu autoregresyjnym rzdu k:
yk = 0 + 1 yt 1 + . . . + k yt k + t
Karolina Konopczak
ACF / PACF (3)
Test istotnoci wspoczynnikw autokorelacji:
H0 : k = 0 H1 : k = 0 1 T N (0, 1) |k | > +/ 1, 96 t = k T 1
k
2
czny test istotnoci wszystkich wspczynnikw autokorelacji do rzdu k wcznie (Boxa-Pierca):
H0 : k k = 0 H1 : k k = 0 Q = T K=1 k 2 2 k k
Karolina Konopczak
Modele sezonowe: SARIMA
Model ARIMA z sezonowoci nazywamy SARIMA (Seasonal ARIMA). Dodatkowe parametry (w stosunku do ARIMA):
s D
dugo cyklu sezonowoci (4 dla danych kwartalnych, 12
dla miesicznych, 5 lub 7 dla dziennych itp.) parametr sezonowego rnicowania
s yt = yt yt s
Karolina Konopczak
Model SARIMA
Dla uproszczenia notacji: niech y zrnicowany szereg.
D d t = s ( yt )
oznacza odpowiednio
Oprcz sezonowego rnicowania szeregu wyjciowego, moemy w modelu uwzgldni sezonowe regresory typu AR i MA.
Model ARIMA (p ,d ,q ):
1 L 2 L2 ... p Lp
t =c+
+ 1 L + 2 L2 + ... + q Lq t
Model SARIMA (p ,d ,q )x(P ,D ,Q ) :
1
c
1 L 2 L2 ... p Lp
1
+ 1 L + 2 L
+ ... + q Lq
1 L1s 2 L2s ... P LP s

1
+ 1 L
s +
2L
yt = s + ... + Q LQ s t
Karolina Konopczak
Wasnoci dynamiczne modelu ARIMA
Proces AR jest stacjonarny... ...jeeli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwizania rwnania 1
1 L 2 L2 ... p Lp = 0
wzgldem
L)
le poza koem jednostkowym, tzn. s co do moduu > 1.
Stacjonarny proces AR(p ) mona przedstawi jako MA()

Proces MA jest odwracalny... ...jeeli wszystkie pierwiastki wielomianu charakterystycznego (tzn. rozwizania rwnania 1
1 L 2 L2 ... p Lp = 0
wzgldem
L)
le poza koem jednostkowym, tzn. s co do moduu > 1.
Odwracalny proces MA(q ) mona przedstawi jako AR()
Karolina Konopczak

Material1 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Material1 PDF

Uploaded by

Copyright:

Available Formats

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Testowanie stopnia zintegrowania szeregu czasowego. Modele ARIMA

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienne losowe  denicje

 zmienna losowa  przyjmuje wartoci z okrelonymi

 szereg czasowy realizacja procesu stochastycznego

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Pojcie stacjonarnoci procesu

Stacjonarno I rodzaju (w wszym sensie / mocna)

Rozkad procesu jest niezmienny w czasie (w kadym okresie realizacj zmiennej

Stacjonarno II rodzaju (w szerszym sensie / saba)

- rednia i wariancja procesu s stae w czasie

( t) = < 2 (Yt ) = 2 <

( t , Yt +h ) = Cov (Yt +k , Yt +k +h ) = (h)

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Biay szum  denicja

t IID (0, 2 ) I  independent I  indentically D  distributed

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna stacjonarna  biay szum

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego

Wasnoci bdzenia losowego

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego

Wasnoci bdzenia losowego

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego z dryfem

Proces bdzenia losowego z dryfem  denicja

Wasnoci bdzenia losowego z dryfem

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego z dryfem

Proces bdzenia losowego z dryfem  denicja

Wasnoci bdzenia losowego z dryfem

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienna niestacjonarna  proces bdzenia losowego z dryfem

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Stopie integracji zmiennej

O zmiennej stacjonarnej mwimy, e jest zintegrowana w

jest zintegrowana w stopniu d (yt

j sprowadzi do stacjonarnoci po d-krotnym rnicowaniu.

yt = yt 1 + t jest zintegrowany w stopniu 1 (yt I (1)), bo yt yt 1 = t , za t I (0) z denicji.

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Wyznaczenie piewiastkw wielomianu charakterystycznego Testy pierwiastka jednostkowego / testy stacjonarnoci

Badanie stacjonarnoci. Modele ARIMA.

Pojcie stacjonarnoci Badanie stopnia zintegrowania Modele ARIMA

Zmienne losowe denicje

zmienna losowa przyjmuje wartoci z okrelonymi

szereg czasowy realizacja procesu stochastycznego

Biay szum denicja

t IID (0, 2 ) I independent I indentically D distributed

Zmienna stacjonarna biay szum

Zmienna niestacjonarna proces bdzenia losowego

Zmienna niestacjonarna proces bdzenia losowego

Zmienna niestacjonarna proces bdzenia losowego

Zmienna niestacjonarna proces bdzenia losowego z dryfem

Proces bdzenia losowego z dryfem denicja

Zmienna niestacjonarna proces bdzenia losowego z dryfem

Proces bdzenia losowego z dryfem denicja

Zmienna niestacjonarna proces bdzenia losowego z dryfem

yt = yt 1 + t jest zintegrowany w stopniu 1 (yt I (1)), bo yt yt 1 = t , za t I (0) z denicji.

Badanie stacjonarnoci pierwiastki wielomianu charakterystycznego (1)

Badanie stacjonarnoci pierwiastki wielomianu charakterystycznego (2)

Badanie stacjonarnoci pierwiastki wielomianu charakterystycznego (3)

szoki z przeszloci maj coraz mniejszy

Badanie stacjonarnoci pierwiastki wielomianu charakterystycznego (4)