本文介绍了AR(p)模型的定义，强调了模型平稳性的重要性，并探讨了特征根判别法和格林函数的概念。AR模型的自相关性具有拖尾性，偏自相关系数在P阶后截尾。建模步骤包括数据预处理、参数估计和模型适用性检验。下一期将聚焦于MA篇。
让涨知识成为一种习惯
时间简“识”
(四)
时序分析的正餐：1.AR
说时间序列，不来个ARMA，GARCH仿佛就跟吃饭只有冷菜没热炒正菜。所以，从本辑开始步入正轨。
ARMA模型应该是时间序列里最常用到的了，说白了，他其实是有AR(p)和MA(q)构成的，当然，还有一个ARIMA模型，其实和ARMA没啥大区别，主要就是加了个几阶差分罢了(ARIMA(p,d,q)，其中d就是差分的次数)。
一切从AR(p)开始……
什么是AR模型，说白了就是序列Y的变动与Yt-1,Yt-2等有关，那么我们就利用这些来对Y进行短期的预测，至于AR(p)中的p就是Y与它前p期有关。当然直白的话只能用来理解，真的落到白纸黑字，咱还是要稍微像样点，比如写成这样就有教科书的感觉了——
如果预测是分析的目的，那么，随机过程的元素Yt对它的过去的依赖性就很重要。这使我们能够利用已经收集的样本观测值的过去信息预测变量的未来值。存在这种依赖性的简单例子是自回归过程：
自回归AR(p)模型：
yt=φ1yt-1+φ2yt-2+……+φpyt-
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
