Documente Academic
Documente Profesional
Documente Cultură
ARIMA(0,0,1), ARMA(0,1)
Modelul medie mobilă de ordinul 1 cu media zero:
Yt = t − b1 t −1 t ~ WN (0, 2 )
Varianța procesului: ( ) 2 2
( )
Var (Yt ) = E Yt − E (Yt ) = E Yt 2 = E( t − b1 t −1 )( t − b t −1 ) =
( ) ( ) (
= E t2 + E (− b1 t −1 t ) − E (− b1 t −1 t ) + E b12 t2−1 = 2 1 + b12 )
Covarianța procesului: Cov(Yt , Yt − k ) = E ( t − b1 t −1 )( t − k − b1 t − k −1 ) =
=
( )
E ( t − b1 t −1 )( t −1 − b1 t − 2 ) = −b1 E t2−1 = −b1 2 pentru k = 1
0 pentru k 1
0, k2
Funcția de autocorelație:
rk = b1
−
1+ b2 , k =1
1
MA(1): Xt= t + 0,8 t-1
Modele de medie mobilă – MA(q), ARIMA(0,0,q)
Modelul medie mobilă de ordinul q cu media zero:
Yt = t − b1 t −1 − b2 t − 2 − − bq t − q t ~ WN (0, 2 )
- b k + b1 b k +1 + ... + b q -k b q
pentru k = 1, 2,..., q
Funcția de autocorelație: rk = 1 + b12 + b22 + ... + bq2
0 pentru k q + 1
Observație: Dacă procesul are medie nenulă atunci modelul include şi un termen liber, acesta fiind
egal cu media: Yt = m + t − b1 t −1 − − bq t − q
Modele MA
y t = t + 0,9 * t −1 y t = t − 0,9 * t −1
y t = t − 0,5 t −1 + 0,25 t − 2
Modelul autoregresiv – AR(1), ARIMA(1,0,0)
Modelul autoregresiv de ordinul 1 de medie zero:
Yt = a1Yt −1 + t a1 1
t ~ WN (0, 2 )
t −1
= t + a1 t −1 + a1 (a1Yt −3 + t −2 ) = = t + a1 t −1 + a1 t − 2 + a1 t −3 + + a = a1j t − j
t −1
2 2 3
1 1
j =0
( )(
Cov (Yt , Yt − k ) = Cov (Yt , Yt + k ) = E (Yt Yt + k ) − E (Yt )E (Yt + k ) = E (Yt Yt + k ) = E t + a1 t −1 + + a1t −1 1 t + k + a1 t + k −1 + + a1t + k −1 1 = )
( )( ) (
= E t + a1 t −1 + + a1t −1 1 t + k + a1 t + k −1 + + a1k t + a1k +1 t − `1 + a1k + 2 t − `2 + + a1t + k −1 1 = E a1k t2 + a1k + 2 t2−1 + + a1k + 2(t −1) 12 )=
2 k 1 − a12t
a1 , a1 1
( ) (
= 2 a1k + + a1k + 2(t −1) = 2 . a1k 1 + + a12(t −1) ) = 1 − a12
2 t , a1 = 1
a1k
cov(Yt , Yt + k ) ⎯⎯
⎯→ k =
t → 2
a1 1
1 − a12
Modelul autoregresiv – AR(1), ARIMA(1,0,0)
Varianța procesului: Var(Yt ) = 0 = 2 1
1 − a12
Funcția de autocorelație: k
rk = = a1k
0
Observații:
a1 = 1 regăsim varianţa unui proces nestaţionar de tip mers aleator
a1 > 0 funcţia de autocorelaţie rk descreşte exponenţial
a1 < 0 descreşte sinusoidal (dinţi de ferăstrău, valorile negative alternează cu cele pozitive)
Dispersia: Var(Yt ) = 2 1
1 − a12
AR(1): Xt=-0,8Xt-1+t
Modele AR
y t = 0,8 * y t −1 + t y t = −0,8 * y t −1 + t
Modelul autoregresiv – AR(p), ARIMA(p,0,0)
Utilizând scrierea cu operatorul L, un model AR(1) devine:
(1 − a1 L)Yt = t
condiţia de staţionaritate a 1 1 este echivalentă cu cerinţa ca rădăcina polinomului
de gradul unu (L ) = 1 − La1 , notată cu x să aibă modulul mai mare decât unu:
1
1 − xa1 = 0 x =
a1
Proprietate: Un model AR(P): (L )Yt = t este staționar atunci când rădăcinile
polinomului: ( L) = 1 − a1 L − a2 L2 − − a p Lp (reale sau complexe) sunt în modul mai
mari ca 1 (se spune că sunt în afara cercului unitate).
Rezolvare:
Avem 𝑎1 = 0,6 şi 𝑎2 = −0,08.
Polinomul caracteristic asociat este: 𝜑 𝐿 = 1 − 𝑎1 𝐿 − 𝑎2 𝐿2
1 − 0.6𝜆 + 0.08 𝜆2 = 0
0.6 ± 0.2
∆=0.36-4*0.08=0.04 𝜆1,2 =
2 ∗ 0.08
𝜆1 =5>1 𝜆2 = 2.5>1
Varianța procesului:
2
Var (Yt ) = Var ( a1Yt −1 + a2Y y −2 + t ) = a Var (Yt −1 ) + a Var (Yt −2 ) + Var ( t ) Var (Yt ) =
2 2
1 − a12 − a22
1 2
(1 − a1 L)Yt = (1 − b1 ) t
c1 = r1
Autocorelațiile parțiale ale unui proces ARMA(1,1): r2 − r12
c2 =
1 − r12
ck 0 pentru k 3
ARMA(1,1): Xt=0,8Xt-1+t+0,9 t-1, n=100