Movimentação média processo autocorrelação

2 1 Modelos de Moving Average Modelos de MA Modelos de séries de tempo conhecidos como modelos ARIMA podem incluir termos auto-regressivos e / ou média móvel Na Semana 1, aprendemos um termo autorregressivo em um modelo de série temporal para a variável xt é um valor defasado de xt Por exemplo , Um termo autorregressivo de atraso 1 é x t-1 multiplicado por um coeficiente Esta lição define termos de média móvel. Um termo de média móvel em um modelo de série de tempo é um erro passado multiplicado por um coeficiente. Vamos sobrepor N 0, sigma 2w, significado Que os wt são distribuídos de forma idêntica, independentemente, cada um com uma distribuição normal tendo média 0 e a mesma variância. O modelo de média móvel de ordem 1, denotado por MA 1 é. Xt mu wt theta1w. O modelo de média móvel de ordem 2, denotado por MA 2 é. Xt mu wt theta1w theta2w. O modelo de média móvel de ordem q, denotado por MA q é. Muitos textos e programas de software definem o modelo com sinais negativos antes dos termos Isto não muda as propriedades teóricas gerais do modelo, embora ele inverta os sinais algébricos de valores de coeficientes estimados e os termos não-quadrados em Fórmulas para ACFs e variâncias Você precisa verificar seu software para verificar se 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 MA 1 Model. Note que o único valor diferente de zero no ACF teórico é para atraso 1 Todas as outras autocorrelações são 0 Assim, uma amostra ACF com uma autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA 1. Para os estudantes interessados, Provas dessas propriedades são um apêndice a este handout. Exemplo 1 Suponha que um modelo MA 1 é xt 10 wt 7 w t-1 onde wt overset N 0,1 Assim, o coeficiente 1 0 7 Th E o ACF teórico é dado por. Uma parcela deste ACF segue. O gráfico apenas mostrado é o ACF teórico para um MA 1 com 1 0 7 Na prática, uma amostra won t normalmente fornecer um tal padrão claro Usando R, simulamos n 100 Amostras usando o modelo xt 10 wt 7 w t-1 onde w t. iid N 0,1 Para esta simulação, um gráfico de séries temporais dos dados da amostra segue Podemos t dizer muito a partir deste gráfico. A amostra ACF para o simulada Os dados a seguir vemos um pico no intervalo 1 seguido por valores geralmente não significativos para atrasos anteriores 1 Observe que a amostra ACF não corresponde ao padrão teórico do MA 1 subjacente, que é que todas as autocorrelações para atrasos passado 1 será 0 A As amostras diferentes teriam uma ACF de amostra ligeiramente diferente mostrada abaixo, mas teriam provavelmente as mesmas características gerais. Propriedades teóricas de uma série de tempo com um modelo MA 2. Para o modelo MA 2, as propriedades teóricas são as seguintes. Note que o único não nulo Valores na ACF teórica são para os retornos 1 e 2 Autocorrelat Ions para desfasamentos maiores são 0 Assim, uma amostra ACF com autocorrelações significativas nos retornos 1 e 2, mas autocorrelações não significativas para retardos maiores indica um possível modelo MA 2. Os coeficientes são 1 0 5 e 2 0 3 Como este é um MA 2, o ACF teórico terá valores não nulos apenas nos retornos 1 e 2. Os valores das duas autocorrelações não nulas são. Um gráfico do ACF teórico segue. Como quase sempre é o caso, os dados de amostra não se comportam de forma bastante Tão perfeitamente como a teoria Nós simulamos n 150 valores de amostra para o modelo xt 10 wt 5 w t-1 3 w t-2 onde w t. iid N 0,1 O gráfico de série de tempo dos dados segue Como com o gráfico de séries de tempo para O exemplo é típico para situações em que um modelo de MA 2 pode ser útil Existem dois picos estatisticamente significativos nos retornos 1 e 2, seguidos de não - Valores significativos para outros atrasos Note que devido ao erro de amostragem, a ACF da amostra não correspondeu O padrão teórico exatamente. ACF para General MA q Modelos. A propriedade dos modelos MA q em geral é que existem autocorrelações diferentes de zero para os primeiros q lags e autocorrelações 0 para todos os retornos q. Não-unicidade da conexão entre os valores de 1 e rho1 No modelo MA 1. No modelo MA 1, para qualquer valor de 1, o recíproco 1 1 dá o mesmo valor para. Por 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 MA 1 para ter valores com valor absoluto menor que 1 No exemplo dado, 1 0 5 será um valor de parâmetro permitido, enquanto que 1 1 0 5 2 não. Invertibilidade de modelos de MA. Um modelo de MA é dito ser invertible se for algébricamente equivalente a um modelo de ordem AR convergente infinito Ao convergir, queremos dizer que os coeficientes de AR diminuem para 0 à medida que nos movemos de volta no tempo. A inviabilidade é uma restrição programada em Software de séries temporais usado para estimar o De modelos com termos MA Não é algo que verificamos na análise de dados Informações adicionais sobre a restrição de invertibilidade para modelos MA 1 são dadas no apêndice. Teoria Avançada Nota Para um modelo MA q com um ACF especificado, só existe Um modelo invertible A condição necessária para a invertibilidade é que os coeficientes têm valores tais que a equação 1- 1 y - - qyq 0 tem soluções para y que caem fora do círculo unitário. Código R para os Exemplos. No Exemplo 1, Teórica ACF do modelo xt 10 wt 7w t-1 e, em seguida, simulados n 150 valores a partir deste modelo e traçou a série de tempo de amostra e da amostra ACF para os dados simulados Os comandos R utilizados para traçar o ACF teórica foram. acfma1 ARMAacf ma c 0 7, 10 lags de ACF para MA 1 com theta1 0 7 lags 0 10 cria uma variável chamada atraso que varia de 0 a 10 atrasos de trama, acfma1, xlim c 1,10, ylab r, tipo h, ACF principal para MA 1 Com theta1 0 7 abline h 0 adiciona um eixo horizontal ao plot. Th E o primeiro comando determina o ACF e o armazena em um objeto chamado acfma1 nossa escolha de nome. O comando de plotagem do 3º comando traça os retornos em relação aos valores ACF para os retornos 1 a 10 O parâmetro ylab rotula o eixo y e o parâmetro principal coloca um Título na trama. Para ver os valores numéricos do ACF simplesmente usar o comando acfma1.The simulação e parcelas foram feitas com os seguintes comandos. Lista ma c 0 7 Simula n 150 valores de MA 1 x xc 10 adiciona 10 para fazer média 10 Padrões de simulação para 0 gráfico x, tipo b, principal MA1 dados simulados acf x, xlim c 1,10, ACF principal para simulação Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt 5 w t-1 3 w t-2 e depois simulamos n 150 valores a partir deste modelo e traçamos a série de tempo de amostra e a amostra ACF para o modelo simulado Dados Os comandos R utilizados foram. acfma2 ARMAacf ma c 0 5,0 3, acfma2 atrasos 0 10 retornos de trama, acfma2, xlim c 1,10, ylab r, tipo h, ACF principal para MA 2 com theta1 0 5, theta2 0 3 abline h 0 lista ma c 0 5, 0 3 x xc 10 trama x, tipo b, principal simulado MA 2 série acf x, xlim c 1,10, ACF principal para simulado MA 2 Dados. Apêndice Prova de Propriedades de MA 1.Para os estudantes interessados, aqui estão as provas para as propriedades teóricas do modelo MA 1.Texto de variância xt texto mu wt theta1 w 0 texto wt texto theta1w sigma 2w theta 21 sigma 2w 1 teta 21 sigma 2w. When 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 wt E wkwj 0 para qualquer kj Além disso, porque o wt tem média 0, E wjwj E wj 2 w 2.Para uma série de tempo. Apply este resultado para obter O ACF dado acima. Um inversível MA modelo é aquele que pode ser escrito como uma ordem infinita AR modelo que converge para que os coeficientes AR convergem para 0 como nos movemos infinitamente de volta no tempo Vamos demonstrar invertibilidade para o modelo MA 1.Nós então Substituição 2 para wt-1 na equação 1. 3 zt wt theta1 z - theta1w wt theta1z - theta 2w. At time t-2 a equação 2 torna-se. Nós então substituimos a relação 4 para w t-2 na equação 3. zt wt Theta1 z - teta 21w wt theta1z - theta 21 z - theta1w wt theta1z - theta1 2z theta 31w. Se continuássemos infinitamente, obteríamos o modelo de ordem infinita AR. No entanto, se 1 1, os coeficientes multiplicando os desfasamentos de z aumentarão infinitamente em tamanho à medida que retrocedermos no tempo Para evitar isso, precisamos de 1 1 Isto é A condição para um modelo MA invertible. Modelo de MA de Ordem Intrínseca. Na semana 3, veremos que um modelo AR 1 pode ser convertido em um modelo de MA de ordem infinita. Esta somatória de termos de ruído branco passado é conhecida como a representação causal de um AR 1. Em outras palavras, xt é um tipo especial de MA com um número infinito de termos Voltando no tempo Isto é chamado uma ordem infinita MA ou MA Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Recall na Semana 1, notamos que um requisito para um AR 1 estacionário é aquele 1 1 Vamos calcular o Var xt usando a representação causal. Esta última etapa usa um fato básico sobre as séries geométricas que requer phi1 1 caso contrário a série diverge. Este exemplo mostra como introduzir a autocorrelação em um processo de ruído branco por filtragem Quando introduzimos a autocorrelação Em um sinal aleatório, manipulamos o seu conteúdo de frequência Um filtro de média móvel atenua as componentes de alta frequência do sinal, efetivamente suavizando-o. Crie a resposta de impulso para um filtro de média móvel de 3 pontos Filtro a N 0,1 branco não Ise com o filtro Ajuste o gerador de números aleatórios para as configurações padrão para obter resultados reprodutíveis. Obtenha a autocorrelação da amostra parcial para 20 lag Representar a autocorrelação da amostra juntamente com a autocorrelação teórica. A autocorrelação da amostra captura a forma geral da autocorrelação teórica, mesmo Embora as duas seqüências não concordem em detalhes. Neste caso, é claro que o filtro introduziu autocorrelação significativa somente em defasagens -2,2 O valor absoluto da seqüência decai rapidamente para zero fora desse intervalo. Freqüência de conteúdo foi afetado, as estimativas Welch gabinete das densidades de potência espectral do sinal original e filtrada. O ruído branco foi colorido pelo filtro de média móvel. External Websites. Ellis, Dan Sobre Colorido Noise. MATLAB Command. You clicado em um link Que corresponde a este comando MATLAB. Run o comando, inserindo-o na Janela de Comando MATLAB Os navegadores da Web não suportam comandos MATLAB. Este tópico foi útil. Selecione seu país. Choie seu país para obter o conteúdo traduzido quando disponível e ver eventos locais e ofertas Com base na sua localização, recomendamos que você selecione. Você também pode selecionar um local da lista a seguir. Um RIMA significa Modelos de Movimentação Média Integrados Autoregressivos Único vetor univariante ARIMA é uma técnica de previsão que projeta os valores futuros de uma série baseada inteiramente em sua própria inércia Sua principal aplicação é na área de previsão de curto prazo requerendo pelo menos 40 pontos de dados históricos Funciona melhor quando seu Os dados exibem um padrão estável ou consistente ao longo do tempo com uma quantidade mínima de outliers Às vezes chamado Box-Jenkins após os autores originais, ARIMA é geralmente superior a técnicas de suavização exponencial quando os dados são razoavelmente longos ea correlação entre observações passadas é estável Se os dados É curto ou altamente volátil, então algum método de suavização pode funcionar melhor Se você não tiver pelo menos 38 dados p O primeiro passo na aplicação da metodologia ARIMA é verificar a estacionaridade. A estacionaridade implica que a série permaneça a um nível bastante constante ao longo do tempo. Se existir uma tendência, como na maioria das aplicações econômicas ou de negócios, então Seus dados não são estacionários Os dados também devem mostrar uma variação constante em suas flutuações ao longo do tempo Isso é facilmente visto com uma série que é fortemente sazonal e crescendo a uma taxa mais rápida Em tal caso, os altos e baixos na sazonalidade se tornará mais Dramático ao longo do tempo Sem estas condições de estacionaridade ser cumprido, muitos dos cálculos associados com o processo não pode ser computado. Se um gráfico gráfico dos dados indica nonstationarity, então você deve diferenciar a série Differencing é uma excelente maneira de transformar uma série não-estacionária para um Estacionário Isto é feito subtraindo a observação no período atual do anterior Se esta transformação é feita somente onc E para uma série, você diz que os dados foram primeiro diferenciados Este processo essencialmente elimina a tendência se sua série está crescendo a uma taxa bastante constante Se ele está crescendo a uma taxa crescente, você pode aplicar o mesmo procedimento e diferença os dados novamente Seus dados seriam então segundo diferenciados. As autocorrelações são valores numéricos que indicam como uma série de dados está relacionada a si mesma ao longo do tempo. Mais precisamente, mede quão fortemente os valores de dados em um número específico de períodos separados estão correlacionados entre si ao longo do tempo. Por exemplo, uma autocorrelação no retardo 1 mede como os valores 1 intervalo de tempo são correlacionados entre si ao longo da série. Uma autocorrelação no retardo 2 mede como os dados dois períodos separados estão correlacionados ao longo da série As autocorrelações podem variar de 1 a -1 Um valor próximo a 1 indica uma alta correlação positiva, enquanto um valor próximo a -1 implica uma alta correlação negativa. Estas medidas são mais frequentemente avaliadas através de gráficos gráficos chamados correlagramas. Um correlagrama traça os valores de autocorrelação para uma dada série em diferentes retardos. Função de autocorrelação e é muito importante no método ARIMA. A metodologia ARIMA tenta descrever os Estacionária séries temporais em função do que são chamados de parâmetros auto-regressivos e de média móvel Estes são referidos como parâmetros AR auto-menstruação e MA parâmetros de média móvel Um modelo AR com apenas um parâmetro pode ser escrito como. out X t séries de tempo em investigação. A 1 O parâmetro autorregressivo de ordem 1.X t-1 a série de tempo retardada 1 período. E t o termo de erro do modelo. Isso significa simplesmente que qualquer dado valor X t pode ser explicado por alguma função de seu valor anterior, X t - 1, mais algum erro aleatório inexplicável, E t Se o valor estimado de A 1 era 30, então o valor atual da série seria relacionado a 30 de seu valor 1 período atrás Claro que a série poderia estar relacionada a mais do que apenas Um valor passado Por exemplo. X t A 1 X t-1 A 2 X t-2 E t. Isso indica que o valor atual da série é uma combinação dos dois valores imediatamente precedentes, X t-1 e X t - 2, mais algum erro aleatório E t Nosso modelo é agora um modelo autorregressivo de ordem 2.Moving Aver Um segundo tipo de modelo Box-Jenkins é chamado de modelo de média móvel Embora esses modelos pareçam muito semelhantes ao modelo AR, o conceito por trás deles é bastante diferente Os parâmetros de média móvel relacionam o que acontece no período t somente com os erros aleatórios que Em vez de X t-1, X t-2, Xt-3 como nas abordagens autorregressivas Um modelo de média móvel com um termo de MA pode ser escrito em períodos de tempo passados, ie E t-1, E t-2, Como segue. O termo B 1 é chamado MA de ordem 1 O sinal negativo em frente do parâmetro é usado para convenção só e é geralmente impresso automaticamente pela maioria dos programas de computador O modelo acima simplesmente diz que qualquer dado valor de X T está diretamente relacionada apenas ao erro aleatório no período anterior, E t-1 e ao termo de erro atual, E t Como no caso de modelos autorregressivos, os modelos de média móvel podem ser estendidos a estruturas de ordem superior cobrindo diferentes combinações E comprimento médio móvel. Metodologia ARIMA O permite a construção de modelos que incorporam tanto os parâmetros de média móvel como de auto-regressão. Estes modelos são frequentemente referidos como modelos mistos. Embora isto torne uma ferramenta de previsão mais complicada, a estrutura pode de facto simular melhor a série e produzir uma previsão mais precisa Modelos puros Implicam que a estrutura consiste apenas de AR ou MA parâmetros - não both. The modelos desenvolvidos por esta abordagem são geralmente chamados ARIMA modelos porque eles usam uma combinação de AR autorregressivo, integração I - referindo-se ao processo inverso de diferenciação para produzir a previsão, E a média móvel das operações de MA Um modelo ARIMA é geralmente indicado como ARIMA p, d, q Isso representa a ordem dos componentes autorregressivos p, o número de operadores de diferenciação d ea ordem mais alta do termo médio móvel Por exemplo, ARIMA 2, 1,1 significa que você tem um modelo autorregressivo de segunda ordem com um componente de média móvel de primeira ordem cuja série foi diferenciada onc E para induzir stationarity. Picking a especificação direita. O problema principal em Box-Jenkins clássico está tentando decidir-se que ARIMA especificação para usar - ie quantos parâmetros AR e ou MA para incluir Isto é o que muito de Box-Jenkings 1976 foi dedicado a O processo de identificação Depende da avaliação gráfica e numérica das funções de autocorrelação da amostra e de autocorrelação parcial Bem, para os seus modelos básicos, a tarefa não é muito difícil Cada um tem funções de autocorrelação que parecem uma certa maneira No entanto, quando você sobe em complexidade , Os padrões não são tão facilmente detectados Para tornar as questões mais difíceis, seus dados representam apenas uma amostra do processo subjacente Isso significa que os erros de amostragem outliers, erro de medição, etc pode distorcer o processo de identificação teórica É por isso que a modelagem ARIMA tradicional é uma arte Em vez de uma ciência.