Representação Média Móvel Infinita

Representação média móvel de aproximações autoregressivas Estudamos as propriedades de uma representação MA infinita de uma aproximação autorregressiva para um processo estacionário e de valor real. Ao fazê-lo, damos uma extensão do teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar esse novo resultado chave para obter informações sobre a estrutura de infinitas representações MA de modelos autoregressivos ajustados, onde a ordem aumenta com o tamanho da amostra. Em particular, damos um limite uniforme para estimar os coeficientes da média móvel através da aproximação autorregressiva, sendo uniforme em todos os números inteiros. 423.pdf2.1 Modelos médios em movimento (modelos MA) Os modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos autorregressivos e os termos médios móveis. Na semana 1, aprendemos um termo autorregressivo em um modelo de séries temporais para a variável x t é um valor atrasado de x t. Por exemplo, um termo autorregressivo de lag 1 é x t-1 (multiplicado por um coeficiente). Esta lição define os termos médios móveis. Um termo médio móvel em um modelo de séries temporais é um erro passado (multiplicado por um coeficiente). Deixe (wt overset N (0, sigma2w)), o que significa que o w t é idêntico, distribuído independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. O modelo de média móvel de 1ª ordem, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w theta2w) O modelo de média em movimento da ordem Q , Denotado por MA (q) é (xt mu wt theta1w theta2w dots thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora ele flip os signos algébricos de valores de coeficientes estimados e termos (desactuados) em fórmulas para ACFs e variâncias. Você precisa verificar seu software para verificar se os sinais negativos ou positivos foram usados ​​para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades teóricas de uma série de tempo com um modelo MA (1) Observe que o único valor diferente de zero no ACF teórico é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma amostra ACF com autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA (1). Para estudantes interessados, as provas dessas propriedades são um apêndice para este folheto. Exemplo 1 Suponha que um modelo de MA (1) seja x t 10 w t .7 w t-1. Onde (com o excesso de N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por um gráfico deste ACF segue. O enredo que acabamos de mostrar é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra geralmente não fornece um padrão tão claro. Usando R, nós simulamos n 100 valores de amostra usando o modelo x t 10 w t .7 w t-1 onde w t iid N (0,1). Para esta simulação, segue-se um gráfico de séries temporais dos dados da amostra. Não podemos dizer muito dessa trama. A amostra ACF para os dados simulados segue. Vemos um pico no intervalo 1 seguido de valores geralmente não significantes por atrasos após 1. Observe que o ACF da amostra não corresponde ao padrão teórico da MA subjacente (1), que é que todas as autocorrelações por atrasos após 1 serão 0 . Uma amostra diferente teria uma ACF de amostra ligeiramente diferente mostrada abaixo, mas provavelmente teria os mesmos recursos amplos. Propriedades terapêuticas de uma série de tempo com um modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Observe que os únicos valores diferentes de zero no ACF teórico são para atrasos 1 e 2. As autocorrelações para atrasos superiores são 0 . Assim, uma amostra de ACF com autocorrelações significativas nos intervalos 1 e 2, mas as autocorrelações não significativas para atrasos maiores indicam um possível modelo de MA (2). Iid N (0,1). Os coeficientes são de 1 0,5 e 2 0,3. Uma vez que este é um MA (2), o ACF teórico terá valores diferentes de zero apenas nos intervalos 1 e 2. Os valores das duas autocorrelações diferentes de zero são A parcela do ACF teórico segue. Como quase sempre é o caso, os dados da amostra não se comportam tão perfeitamente quanto a teoria. Nós simulamos n 150 valores de amostra para o modelo x t 10 w t .5 w t-1 .3 w t-2. Onde w t iid N (0,1). A série de séries temporais dos dados segue. Tal como acontece com a série de séries temporais para os dados da amostra MA (1), você não pode contar muito com isso. A amostra ACF para os dados simulados segue. O padrão é típico para situações em que um modelo de MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos intervalos 1 e 2 seguidos de valores não significativos para outros atrasos. Observe que devido ao erro de amostragem, a amostra ACF não corresponde exatamente ao padrão teórico. ACF para General MA (q) Modelos Uma propriedade de modelos de MA (q) em geral é que existem autocorrelações diferentes de zero para os primeiros atrasos de q e autocorrelações 0 para todos os atrasos gt q. Não singularidade de conexão entre valores de 1 e (rho1) em MA (1) Modelo. No modelo MA (1), para qualquer valor de 1. O recíproco 1 1 dá o mesmo valor para Como exemplo, use 0,5 para 1. E depois use 1 (0,5) 2 para 1. Você obterá (rho1) 0.4 em ambos os casos. Para satisfazer uma restrição teórica chamada invertibilidade. Restringimos os modelos de MA (1) para ter valores com valor absoluto inferior a 1. No exemplo que acabou de ser dado, 1 0,5 será um valor de parâmetro permitido, enquanto que 1 10,5 2 não será. Invertibilidade de modelos de MA Um modelo de MA é dito invertido se for algébricamente equivalente a um modelo de AR de ordem infinita convergente. Ao convergir, queremos dizer que os coeficientes de AR diminuem para 0, enquanto nos movemos para trás no tempo. Invertibilidade é uma restrição programada em software de série temporal usado para estimar os coeficientes de modelos com termos MA. Não é algo que buscamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para modelos MA (1) são apresentadas no apêndice. Nota de teoria avançada. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo inversível. A condição necessária para a invertibilidade é que os coeficientes possuem valores tais que a equação 1- 1 y-. - q e q 0 tem soluções para y que se encontram fora do círculo da unidade. Código R para os Exemplos No Exemplo 1, traçamos o ACF teórico do modelo x t 10 w t. 7w t-1. E, em seguida, simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0,7), lag. max10) 10 lags de ACF para MA (1) com theta1 0,7 lags0: 10 cria uma variável chamada atrasos que varia de 0 a 10. gráfico (Lag, acfma1, xlimc (1,10), ylabr, typeh, ACF principal para MA (1) com theta1 0,7) abline (h0) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto Nomeado acfma1 (nossa escolha de nome). O comando de parcela (o comando 3) traça atrasos em relação aos valores ACF para os atrasos 1 a 10. O parâmetro ylab rotula o eixo y e o parâmetro principal coloca um título no gráfico. Para ver os valores numéricos do ACF, use simplesmente o comando acfma1. A simulação e os gráficos foram feitos com os seguintes comandos. Xcarima. sim (n150, list (mac (0.7))) Simula n 150 valores de MA (1) xxc10 acrescenta 10 para tornar a média 10. Padrões de simulação significa 0. gráfico (x, tipob, mainSimulated MA (1) dados) Acf (x, xlimc (1,10), mainACF para dados de amostra simulados) No Exemplo 2, plotámos o ACF teórico do modelo xt 10 wt .5 w t-1 .3 w t-2. E, em seguida, simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados foram acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typeh, ACF principal para MA (2) com theta1 0,5, Theta20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) xxc10 plot (x, typeb, principal Simulated MA (2) Series) acf (x, xlimc (1,10), MainACF para dados simulados de MA (2) Apêndice: Prova de propriedades de MA (1) Para estudantes interessados, aqui estão as provas para propriedades teóricas do modelo MA (1). Variance: (texto (texto) (mu wt theta1 w) Texto de 0 texto (wt) (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Quando h 1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 . A razão é que, por definição de independência do peso. E (w k w j) 0 para qualquer k j. Além disso, porque o w t tem 0, E (w j w j) E (w j 2) w 2. Para uma série temporal, aplique este resultado para obter o ACF fornecido acima. Um modelo de MA reversível é aquele que pode ser escrito como um modelo AR de ordem infinita que converge para que os coeficientes AR convergem para 0 à medida que nos movemos infinitamente de volta no tempo. Bem, demonstre invertibilidade para o modelo MA (1). Em seguida, substituímos a relação (2) para w t-1 na equação (1) (3) (zt wt theta1 (z - theta1w) wt theta1z - theta2w) No momento t-2. A equação (2) torna-se então substituímos a relação (4) para w t-2 na equação (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Se continuássemos ( Infinitamente), obteríamos o modelo de AR de ordem infinita (zt wt theta1 z - theta21z theta31z - theta41z dots) Note, no entanto, que se 1 1, os coeficientes que multiplicam os atrasos de z aumentarão (infinitamente) de tamanho à medida que avançarmos Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo de MA reversível (1). Modelo de ordem infinita MA Na semana 3, veja bem que um modelo de AR (1) pode ser convertido em um modelo de MA de ordem infinita: (xt - mu wt phi1w phi21w pontos phik1 w dots sum phij1w) Este somatório de termos de ruído branco passado é conhecido Como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos que retornam no tempo. Isso é chamado de ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Recorde na Semana 1, observamos que um requisito para um AR estacionário (1) é aquele 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Este último passo usa um fato básico sobre séries geométricas que requerem (phi1lt1) caso contrário, a série diverge. NavigationRecent Developments in Analysis of Time Series with Infinite Variance: A Review Referências Akaike, H. (1973). Teoria da informação e uma extensão do princípio da máxima verossimilhança. No 2º Simpósio Internacional sobre Teoria da Informação, B. N. Petrov e F. Csaki, editores, páginas 267281. Akademia Kiado. Beamish, N. e Priestley, M. B. (1981). Um estudo de estimativa espectral autoregressiva e janela. Estatística Aplicada. 30. 4158. MATH CrossRef Bhansali, R. J. (1983). Estimativa da ordem de um modelo de média móvel de estimativas autorregressivas e de janela da função de correlação inversa. J. Time Series Anal. . 4. 137162. MathSciNet MATH CrossRef Bhansali, R. J. (1984). Determinação de ordem para processos com variância infinita. Na análise de séries temporais robusta e não linear, J. Franke, W. Hardie e D. Martin, editores, páginas 1725. Springer Verlag. Bhansali, R. J. (1988). Determinação consistente da ordem para processos com variância infinita. J. Royal Statist. Soc. . B, 50. 4660. MathSciNet MATH Bhansali, R. J. (1993a). Estimativa dos coeficientes de resposta ao impulso de um processo linear com variância infinita. J. Mutt. Anal. . 45. 274290. MathSciNet MATH Bhansali, R. J. (1993b). Seleção de ordem para modelos de séries temporais lineares: uma revisão. Na evolução da análise de séries temporais, T. S. Rao, editor, páginas 5066. Chapman amp Hall. Bhansali, R. J. (1995). Robustez da estimativa espectral autorregressiva para processos lineares com variância infinita. J. Análise das séries temporais. aparecer. Bhansali, R. J. e Downham, D. Y. (1977). Algumas propriedades da ordem de um modelo autoregressivo selecionado por uma generalização do critério Akaikes FPE. Biometrika. 64. 547551. MathSciNet MATH Box, G. E. P. e Jenkins, G. M. (1970). Análise de séries temporais: previsão e controle. Holden Day. Brockwell, P. J. e Davis, R. A. (1991). Série de tempo: teoria e métodos. Springer Verlag, 2ª edição. Cambanis, S. e Soltani, A. R. (1984). Previsão de processos estáveis: representações média espectral e móvel. Z. Wahrscheinlichkeits theorie. 66. 593612. MathSciNet MATH CrossRef Cline, D. B. H. e Brockwell, P. J. (1985). Previsão linear de processos ARMA com variância infinita. Proc Stochastic. E Appl. . 19. 281296. MathSciNet MATH CrossRef Cox, D. R. (1966). A distribuição nula do primeiro coeficiente de correlação em série. Biometrika. 53. 623626. MathSciNet Davis, R. e Resnick, S. (1986). Teoria do limite para a covariância da amostra e as funções de correlação das médias móveis. Du Mouchel, W. H. (1983). Estimando o índice estável a para medir a espessura da cauda: uma crítica. Ann. Estatista. . 14. 533558. Ann. Estatista. . 14. 533538. Findley, D. F. (1985). Na propriedade de imparcialidade da AIC para modelos de séries temporais estocásticas lineares exactas ou aproximadas. J. Time Series Anal. . 6. 229252. MathSciNet MATH CrossRef Granger, C. W. J. e Orr, D. (1972). Diferença infinita e estratégia de pesquisa na análise de séries temporais. J. Amer. Estatista. Assoc. . 67. 273285. CrossRef Hannan, E. J. e Kanter, M. (1974). Processos autoregressivos com variância infinita. J. Appl. Prob. . 6. 768783. CrossRef Harvey, A. C. (1993). Modelos de séries temporais. Harvester Wheatsheaf, 2ª edição. Kanter, M. (1979). Limites inferiores para erro de previsão em processos médios móveis. Ann. Prob. . 7. 128138. MathSciNet MATH CrossRef Kanter, M. e Steiger, W. L. (1974). Regressão e autoregressão com variância infinita. Adv. Appl. Prob. . 6. 768783. MathSciNet MATH CrossRef Kluppelberg, C. e Mikosh, T. (1993). Alguma teoria de limites para o periodograma normalizado de processos de média móvel p-estáveis. Scand. J. Statist. aparecer. Mandelbrot, B. (1960). A lei de Pareto-Levy e a distribuição de renda. Internat. Eco. Rev. 1. 79106. MATH CrossRef Mikosch, T. Gadrich, T. Kluppelberg, C. e Adler, R. J. (1995). Estimativa de parâmetros para modelos ARMA com inovações de variância infinitas. Ann. Estatista. . 23. 305326. MathSciNet MATH CrossRef Mittnik, S. e Rachev, S. T. (1993). Modelando retornos de ativos com distribuições estáveis ​​alternativas. Comentários econométricos. 12. 261389. MathSciNet MATH CrossRef Nyquist, H. (1980). Estudos recentes sobre L p - Norm Estimation. Ph. D. Teses, Universidade de Umea, Suécia. Rosenfeld, G. (1976). Identificação de uma série de tempo com variância infinita. Appl. Estatista. . 25. 147153. CrossRef Samorodnitsky, G. e Taqqu, M. S. (1994). Processos aleatórios não gaussianos estáveis. Chapman amp Hall. Smith, W. L. (1983). Em seqüências autorregressivas positivas. Em Contribuições para Estatísticas: Ensaios em homenagem a N. L. Johnson. P. K. Sen, editor, páginas 391405. Amsterdã: Holanda do Norte. Tucker, A. L. (1992). Um reexame de distribuições de variância finita e infinita como modelos de retorno diário de estoque. J. Bus. 1 Eco. Estatista. . 10. 7381. CrossRef Yohai, V. e Maronna, R. (1977). Comportamento assintótico das estimativas de mínimos quadrados para processos auto-regressivos com variância infinita. Ann. Estatista. . 5. 554560. MathSciNet MATH CrossRef Zelazko, W. (1965). Generalizações Métricas das Álgebras de Banach. Varsóvia: Panstwowe Wydawnictwo Naukowe.