计量经济与时间序列_平稳性

1.   平稳性:

  1.1   任何一个时间序列都可以被看做是由随机过程产生的结果。和普通两变量和多变量不一样,任何一个时间点上的值都是随机过程产生的,也是都是随机的。

  1.2   如果一个随机过程所产生的时间序列期望和方差在任何时间过程上都是常数,并且任何两个时期之间的协方差不依赖于这两个时期的距离或之后,而不依赖于计算这两个协方差的实际时间,就称改时间序列是平稳的。(Stationary)

  1.3   期望和方差在任何时间过程上都是常数,符合期望为0,方差为1的正太分布假设

  1.4   任意两个时期之间的协方差,只是某两个值之间的距离。和计算这两个值的时间无关

2.   平稳性的数学表达式:

  E(Yt) = μ  期望为常数

  Var(Yt) =σ2 方差为常数

  Cov(Yt , Yt+k) = E(Yt - μ)(Yt+k - μ)=rk  (任意两个时期之间的协方差仅依赖于这两个时期的距离)看到第一个括号内的μ和第二个括号内的μ,也就是两个期望都是相等的。如果按照统计学的定义应该为。E(Yt - μt)(Yt+k - μt+k),因为期望都是常数,即使Yt的常数也是Yt+k的常数,所以均值都一个一个。这条定义非常重要。

3.   Yt的期望等于0,这个是合理的,因为当n区域无穷的时候,Yt的期望是无限接近于0的,按照中心极限定理,Yt的期望是 = 0。

原文地址:https://www.cnblogs.com/noah0532/p/8449986.html

时间: 2024-08-25 16:59:15

计量经济与时间序列_平稳性的相关文章

计量经济与时间序列_时间序列分析的几个基本概念(自相关函数,偏自相关函数等)

1.  在时间序列分析中, 数学模型是什么?数学公式又是什么?数学推导过程又是什么?... ... 一句话:用数学公式后者符号来表示现实存在的意义.数学是"万金油"的科学,它是作为工作和分析方法运用到某个学科当中.比如在物理学中,数学公式或者数学符号也是表示现实存在的意义,G表示重力,再比如用什么表示分子,这些东西都是现实存在,而通过在数学层面的公式计算或者推导,就能够得到某种结果反推到现实中存在的意义是否准确.说白了是把现实的意义符号化和简单化的表示出来. 2.   时间序列分析属于

计量经济与时间序列_时间序列过程的移动平均和自回归表示

1   在时间序列分析中有两种有用的表示来描述时间序列过程.一种是将过程写成一列不相关的随机变量的线性组合.这个过程叫moving average过程,也叫MA过程. 2   Wold(1938年)证明:纯非确定性的平稳过程(即改过程不包含能够由自身过去值进行精确预报的确定性成分)能够表示成下面的式子: 3   Zt = μ + at + φ1at-1 + φ2at-2+ ... ... (3.1) 4   (3.1)的式子中,Wold表示说,任何能够表示成这种形式的过程称为非确定性过程.这也叫

计量经济与时间序列_滞后算子L的定义

1.   为了使计算简单,引入滞后算子的概念: 2.   定义LYt = Yt-1 , L2Yt = Yt-2,... , LsYt = Yt-s. 3.   也就是把每一期具体滞后哪一期的k提到L的上方,来用一个Yt来标记具体属于哪一个滞后期.默认,Yt-1的上方为1,其实不用写. 4.   一定和一个滞后变量放在一起的,不能单独出现L. 5.   用滞后算子来表示比较方便一些,但是最后要带回去,表示具体的哪一个滞后期. 原文地址:https://www.cnblogs.com/noah053

计量经济与时间序列_自协方差(AutoCovariance)算法解析(Python)

1 样本的自协方差函数的通式如下: 2 其实,后面要计算的自相关函数也可以用自协方差来表示: 1 TimeSeries = [11.67602657, 5.637492979, 1.375516942, 0.618705492, -0.152047234, -0.508555434, -6.065288121, -9.417602801, 2 -10.47205437, -8.018063902, 0.523277554, 4.86893283, 4.23977562, -10.2344375,

理解:时间序列的平稳性

为什么要平稳? 研究时间序列的最终目的是,预测未来.但是未来是不可知的,我们拥有的数据都是历史,因此只能用历史数据来预测未来.但是,如果过去的数据与未来的数据没有某种“相似度”,那这种预测就毫无道理了.平稳性就是保证这种过去与未来的相似性,如果数据是平稳的,那么可以认为过去的数据表现出的某些性质,未来也会表现. 什么是严平稳? 对于一个时间序列{Xt},其中每个数据X都是随机变量,都有其的分布(如图). 取其中连续的m个数据,X1到Xm,则可以构成一个m维的随机向量,(X1,X2,...,Xm)

时间序列分析中数据的平稳性判定研究 范涛涛,寇艳廷

时间序列的平稳性判定是时间序列分析预测的关键技术,为了根据数据特征提供更为可靠合理的平稳性判定 方法,从数据平稳条件入手比较分析了时间路径图.自相关函数.DF检测和ADF检测四种方法的数学原理.以股票数据为 应用背景,采用EViews工具对时间序列的平稳性判定进行了实验仿真和对比分析,得出对于复杂的时间序列多种检测方法 综合检验更为可靠的结论,为随机过程中数据分析预测的进一步研究提供数据预处理的技术参考. 原文地址:https://www.cnblogs.com/guyuexue/p/12585

对数据平稳性检验方法的比较硏究 吕光明

数据的平稳与否对计量经济分析有着重要影响,在计量经济分析之前必须进行平稳性检验.近年来,出现了不少检验数据平稳性的方法,每种检验方法都有其自身的特点.本文从检验模型形式.统计量的构造.使用要求等方面论述和比较几种主要的检验方法,它们分别是 DF 和 ADF 检验法.PP 检验法.霍尔工具变量法.DFGLS 检验法.KPSS 检验法和 LMC 检验法. DF检验: 原文地址:https://www.cnblogs.com/guyuexue/p/12590840.html

第二章平稳时间序列模型——AR(p),MA(q),ARMA(p,q)模型及其平稳性

1白噪声过程: 零均值,同方差,无自相关(协方差为0) 以后我们遇到的efshow如果不特殊说明,就是白噪声过程. 对于正态分布而言,不相关即可推出独立,所以如果该白噪声如果服从正态分布,则其还将互相独立. 2各种和模型 p阶移动平均过程: q阶自回归过程: 自回归移动平均模型: 如果ARMA(p,q)模型的表达式的特征根至少有一个大于等于1,则{y(t)}为积分过程,此时该模型称为自回归秋季移动平均模型(ARIMA) 时间序列啊,不就是求个通项公式,然后求出一个非递推形式的表达式吗? (这个公

计量经济研究论文的行文逻辑1

STEP1:分析以往的研究文献,重点描述前人的研究成果,并在此描述中介绍论题研究的经济机理,不需要太详细,但主要为后文做好铺垫: STEP2:在必要的地方提出一些假设,引入一些变量,将经济关系转换为变量间的关系,要得到一个合理的数理模型.这里要求论述清楚变量间存在关系的机理,不能是想当然地随便找两个变量来看他们之间是否存在关系: STEP3:引入数据,开始用计量经济学方法来论证STEP2中的论述有理有据.这里需要注意,STEP2中的数理模型与STEP3中的计量模型不一定是一样的,最好是能通过取对