Главная > Построение динамических стохастических моделей по экспериментальным данным
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

3b. Типы эмпирических временных рядов

Трудно классифицировать все наблюдаемые временные ряды, поэтому ограничимся лишь несколькими классами временных рядов.

3b.1. Псевдопериодические ряды без видимого «роста».

Рассмотрим эмпирические ряды, такие как годичное число

солнечных пятен годичный отлов канадской рыси и месячный речной поток демонстрирующие четко выраженное циклическое поведение примерно с периодом но не имеющие никакого заметного роста. Периодичность и соответствующий период могут быть также установлены построением периодограммы данных.

Рис. 3Ь.1.1. Годичные данные о числе солнечных пятен. (Числа Вольфера; ряд

Периодограмма должна дать острый пик на частоте цикла в единицу времени. Такие ряды могут описываться любым из следующих классов моделей:

Класс 1. Слабостационарные процессы, описываемые моделями AR или ARMA со сплошными и несплошными составляющими AR такими, что полином в каждой из этих моделей имеет пару комплексных нулей, соответствующих наблюдаемой частоте

Класс 2. Ковариационно-стационарные процессы, описываемые моделями AR или ARMA с детерминированным трендом, содержащим синусоидальные составляющие частоты и кратных ей частот.

Класс где описывается моделью ARIMA без постоянных составляющих.

Класс 4. Сезонные модели ARIMA с периодом

Класс 1 известен также под названием процессов Слуцкого — Юла, так как они были первыми исследователями, показавшими, что стохастические последовательности могут иметь систематические колебания, не включая в явном виде синусоидальных составляющих.

Мы полностью исключили класс детерминированных моделей, содержащих комбинации синусоид, по причинам, приведенным в За. Однако это не означает, что модели класса 2, т. е. ковариационно-стационарные модели, всегда проигрывают в сравнении с моделями из класса 1. Мы не можем исключить никакой класс моделей по чисто идеологическим причинам.

Рис. 3b.1.2. Годичные данные об отлрве канадской рыси (ряд

Рис. 3b.1.3. Месячные данные о расходе воды в реке Кришна у Виджаявады, Индия

Мы должны построить наилучшие модели в каждом классе и сравнить их, прежде чем прийти к определенному заключению.

В качестве иллюстрации были взяты ряды годичного числа солнечных пятен, отлова канадской рыси и месячного речного потока (река Кришна у Виджаявады в Индии). Фрагменты этих временных рядов показаны на рис. 3Ь.1.1, ЗЬ.1.2, ЗЬ.1.З соответственно. Заметим, что для того, чтобы их различить, не удается найти наглядных признаков.

Найдено, что наилучшей моделью для ряда месячного речного потока является модель из класса 2, т. е. уравнение AR с синусоидальными членами соответствующей частоты. Подробности по этой модели даны в гл. Ряд числа солнечных пятен лучше описывается моделью из класса 1. Конкретно, для ряда солнечных пятен наилучшая модель имеет вид

Найдено, что наилучшее значение должно быть равно 9, несмотря на то, что периодичность данных составляет примерно 11,6 года. Эта модель лучше (в смысле, описанном в гл. XI) соответствует экспериментальным данным, чем обычные модели широко обсуждаемые в литературе и введенные Юлом (1927). Модели значительно лучше детерминированных моделей, содержащих синусы и косинусы частоты а также кратных ей. Для ряда годичного отлова канадской рыси модель класса 1 также дает приемлемые результаты при условии, что к ней добавляется член как показано в гл. XI.

3b.2. Приближенно периодические ряды с ростом.

Рассмотрим такие ряды, как месячный сбыт компании X, приведенный на рис. Ряд содержит ясно выраженную возрастающую компоненту и имеет почти циклический характер с периодом в 12 месяцев. Имеются два возможных класса моделей для такого ряда.

Класс 1. Ковариационно-стационарные процессы, описываемые уравнениями AR и ARMA с добавленными к ним функциями детерминированного тренда типа

Класс 2. Сезонные модели ARIMA.

Данным о сбыте лучше подходит модель из класса 1. Наиболее подходящая модель из класса 2 не очень хороша с точки зрения предсказания, как объяснено в гл. XI. Тем не менее, опираясь на столь малое число примеров, мы не можем делать общих выводов об относительных достоинствах сезонных ARIMA-моделей по сравнению с ковариационно-стационарными моделями.

3b.3. Временные ряды с ростом, но без периодической или почти периодической компоненты.

Рассмотрим временные ряды, обнаруживающие рост или убывание, но не содержащие периодических или почти периодических колебаний. Примерами являются ряд ежедневных биржевых цен акций фирмы IBM на рис. (Бокс, Дженшшс, 1970), ряд ежегодных данных о численности населения США на рис. За. 1.2 и ряд РТДП на рис. Возможными классами моделей, описывающих эти процессы, могут быть следующие:

Класс 1. IAR-, IMA- или ARIMA-уравнения, не содержащие постоянного члена.

Класс 2. IAR-, IMA- или ARIMA-уравнения с постоянным членом

Класс 3. AR-, MA- или ARMA-уравнения с детерминированным трендом, содержащим члены вида

Модели из класса 1 полезны для представления рядов, где рост не очень велик, как в случае данных о ценах акций фирмы IBM. В противном случае приходится пользоваться моделями из класса 2 или 3. Напомним, что если модель принадлежит классу 2, то ее можно представить как сумму или подходящего полинома от и другого процесса у, который описывается уравнением ARIMA без постоянного члена.

Рис. 3Ь.3.1. Ежедневные данные о биржевых ценах на акции фирмы IBM с 17 мая 1961 г. по 2 ноября 1962 г. (ряд

Рис. 3Ь.3.2. Ежеквартальные данные о валовом национальном продукте США (ряд

Таким образом, линейный детерминированный тренд эффективно присутствует в моделях класса 2. В классе 3 допускается более широкое множество типов тренда.

Типичными рядами, которые могут быть успешно описаны моделями класса 2, являются ряд годового валового национального продукта приводящий к модели в виде уравнения IMA первого порядка, и ряд , приводящий к уравнению IMA первого порядка. Ряд валового национального продукта показан на рис. 3b.3.2.

Некоторые ряды, такие как численность населения США и размер популяции американского журавля, растут экспоненциально. Можно попытаться описать их моделью класса 3 с экспоненциальным трендом. Часто (хотя и не всегда) соответствие моделей неудовлетворительное. В таких случаях можно прологарифмировать данные и взять для преобразованных данных модели из класса 2, например Подробности обсуждаются в гл.

3b.4. Ряды без периодической составляющей и роста.

Рассмотрим временные ряды, такие как ряд Т1 (рис. 3b.4.1), являющийся рядом отсчетов температуры химического процесса, регистрируемой ежеминутно, или фонограмма речи (рис. 3b.4.2), которые не имеют никакого устойчивого роста, убывания или приблизительно периодических колебаний. Во временном ряде взятом из книги Бокса и Дженкинса (1970), иногда наблюдается рост, иногда спад, в то время как в связанном с ним ряде (рис. имеются нерегулярные колебания. Фонограммы могут быть более или менее гладкими в зависимости от звукового состава речи.

Для представления таких рядов следует рассмотреть толыко два класса моделей.

Класс 2. Класс AR-, МА- или ARMA-моделей.

Класс 2. Класс IAR-, IMA- или ARIMA-моделей без постоянных членов.

По внешнему виду ряда, описывающего звуковые волны речи, трудно подобрать подходящий класс моделей. Обычно сначала используют модели из класса 1. Если наилучшая модель из этого класса такова, что соответствующий полином имеет нуль на единичной окружности или вблизи нее, то приходится также рассматривать модели из класса 2. В противном случае можно остановиться на классе 1.

Если процесс все же подчиняется IAR-уравнению, но мы стараемся аппроксимировать его AR-моделью, то точность оценок в AR-уравнении может быть относительно низкой. Этот факт установлен в гл. VII. Например, пусть процесс у описывается IAR-процессом первого порядка

который можно переписать в виде

(кликните для просмотра скана)

где

Любая оценка параметров уравнения полученная без явного использования ограничения является сравнительно менее точной, чем оценка единственного параметра в уравнении

Рассмотрим далее относительную способность предсказания на 1 шаг вперед для двух классов моделей. Иногда лучшая модель класса 1 лучше всего соответствует процессу среди всех классов моделей.

Рис. 3b.4.3. Данные о концентрации в химическом процессе, снимаемые каждые два часа (ряд (По Боксу, Дженкинсу, 1970.)

В других случаях наилучшей предсказывающей моделью может быть модель из класса 2 и, наконец, наиболее подходящие модели из обоих классов могут иметь одинаковое качество. Например, для ряда наиболее подходящие модели из классов 1 и 2 дают более или менее одинаковое качество предсказания. Для фонограммы речи наиболее удачной моделью является обычная AR-модель.

1
Оглавление
email@scask.ru