Авторегресивен процес

Од Википедија — слободната енциклопедија
Прејди на: содржини, барај

Авторегресивниот процес е модел кој ја покажува зависноста на вредностите на временската серија од своите минати вредности и е надополнување на идејата на регресијата за моделирање на линеарната зависност помеѓу две променливи. Моделот на простата регресија го објаснува развојот на променливата y со помош на друга променлива x, како линеарна функција:

y= b0 + b1x + e

Каде што b0 и b1 се константи коишто треба да се определат, а e претставува случајна променлива која следи нормален распоред со средина која е еднаква на нула и константна варијанса. Ако во моделот се направи замена и тоа наместо y се користи yt и наместо x се користи yt-1, се добива нов модел на зависност кој се нарекува авторегресивен модел од прв ред.

Авторегресивен процес од прв ред[уреди | уреди извор]

Авторегресивниот процес од прв ред, се означува AR(1), е следниот:

yt = ф0 + ф1yt-1 + et[1]

каде што ф0 и ф1 се константи, а et е процес на бел шум кој следи нормален распоред со средина еднаква на нула и варијанса δ2e. Формулата покажува дека во AR(1) процесот однесувањето на yt во најголема мера зависи од нејзината вредност во претходниот период. Промеливите et го претставуваат ефектот на факторите што не се вклучени во процесот (различни од yt-1) врз yt.. Тие се нарекуваат случајни шокови. Случајниот шок е вредноста за која се претпоставува дека случајно е избрана од нормален распоред со средина еднаква на нула и варијанса која е иста за секој временски период t. Дополнително, се претпоставува и дека случајните шокови e1, e2, e3 … од различни временски периоди се статистички независни меѓу себе. Во литературата случајните шокови може да се сретнат и под името иновации, бидејќи ја претставуваат новата информација која се додава на процесот во секоја временска точка. Очекувана вредност на AR(1) процесот е:

Ε(yt) = µ = ϕ0/1-ϕ1[2]

Овој резултат има две импликации за yt. Прво, средината на yt постои ако ф1 ≠ 1. Второ, средината на yт е нула ако и само ако ф0 = 0. Затоа кај стационарен AR(1) процес, Константата ф0 е поврзана со просечната вредност на yt и ф0 = 0, што значи Ε(yt) = 0. Варијанса на AR(1) процесот, поради претпоставка за стационарност (константна варијанса) var (yt) = var (yt-1), следува:

var (yt) = δ2e/1-ф21[3]

Од изразот за варијансата AR(1) процесот, следува дека ф21 < 1. Барањето ф21 < 1 доаѓа од фактот што варијансата на случајна променлива треба да биде ненегативна. Дополнително, -1 < ф1 < 1 е неопходен у слов AR(1) процесот да биде стационарен. Ако |ф1| > 1, тогаш yt ќе има тенденција од период во период се повеќе да се зголемува и серијата ќе биде експлозивна. Информацијата за линеарната зависност меѓу променливите на временската серија е содржана во функцијата Автоковаријанса.

yk = ф1yk-1[4]

Автокорелациите ја содржат истата информација како и коваријансите, но имаат предност затоа што не зависат од мерните единици. Како што е веќе познато, pk е корелација меѓу опсервациите што се оддалечени k периоди, односно автокорелацијата за временското задоцнување од k, која е дефинирана како:

pk = yk/y0

Бидејќи p0 = 1 може да се заклучи дека

pk = фk1

Од овој израз произлегува дека функцијата на автокорелација на AR(1) процесот опаѓа експоненцијално со стапка ф1, и притоа нејзината вредност p0 = 1. Дополнително, ако параметарот ф1 е позитивен, линеарната зависност на сегашните од минатите вредности (pk) е постојано позитивна ( и притоа екпоненцијално опаѓа), додека ако параметарот ф1 е негативен, pk е позитивна за парните вредности на k, односно негативна за непарните вредности на k.[5]

Авторегресивен процес од втор ред[уреди | уреди извор]

Авторегресивен процес од втор ред или AR(2) процесот претпоставува дека yt е линеарно зависна не само од yt-1, туку и од yt-2. Неговиот математички израз е:

yt = ф0 + ф1yt-1 + ф2yt-2 + et[6]

Очекуваната вредност на AR(2) процесот е:

E(yt) = µ = ф0/1-ф12[7]

Автоковаријанса на AR(2) процесот:

yk = ф1yk-1 + ф2yk-2, за k > 0[8]

Со користење на овој израз може да се дојде до формулата за варијансата на AR(2) процесот:

var(yt) = y0 = (1-ф22e/(1+ф2)(1-ф12)(1+ф12)[9]

Може да биде докажано дека вредностите на параметрите кои го прават AR(2) процесот стационарен (со варијанса секогаш позитивна) се тие кои се вклучени во областа:

                            -1<Ф<1, ф12<1 и ф21<1.[10]

Со делење на равенката за автоковаријанса со var(yt) се добива функцијата на автокорелација на процесот:

pk = ф1pk-1 + ф2pk-2, за k > 0[11]

Со цел да се утврдат карактеристиките на функцијата на автокорелација потребно е претходното равенство да се запише со помош на операторот на временско задоцнување L при што се добива полином од втор ред ( 1 - ф1x - ф2x2 = 0 ) чии решенија се x1 и x2.Инверзните вредности на двете решенија на полиномот од втор ред се нарекуваат карактеристични корени на AR(2) процесот. Карактеристичните корени се означуваат со G1 и G2. Според карактеристичното равенство, коефициентите на автокорелација (pк) ќе бидат помали или еднакви на нула ако |G1| < 1 и |G2| < 1, што претставува и услов за стационарност на AR(2) процесот. Притоа постојат две можности:

1) Двата карактеристични корени G1 и G2 се реални броеви. Во овој случај опаѓањето на pк претставува збир на две експоненцијални опаѓања. Ова значи дека AR(2) процесот може да се разгледа како еден AR(1) процес кој опстојува над друг AR(1) процес. Обликот на функцијата на автокорелација зависи од тоа дали G1 и G2 имаат исти или слични знаци.

2) Двата карактеристични корени, G1 и G2 се комплексни броеви. Во овој случај функцијата на автокорелација опаѓа синусоидно.[12]

Општ авторегресивен процес[уреди | уреди извор]

Општ авторегресивен процес е оној каде што тековната вредност на променливата y зависи само од вредностите што ги имала во претходните периоди плус иновациите на моделот (et). Авторегресивниот процес од p-ти ред, се означува AR(p), математички се претставува со:

yt = ф0 + ф1yt-1 + ф2yt-2 + ... + фpyt-p + et[13]

каде што фi(i = 0,1,...,p) се константи, а et е процес на бел шум со средина еднаква на нула и варијанса δ2e. Карактеристично равенство на AR(p) процесот е :

фp(L) = 0

Ова равенство има p решенија: G1-¹,...,Gp-¹, и притоа коефициентите Gi се фактори (карактеристични корени) на карактеристичното равенство. AR(p) процесот е стационарен ако |Gi| < 1, за секое i. Функцијата на автокорелација на AR(p) процесот е следната:

pk = ф1pk-1 + ... + фpPk-p, за к > 0[14]

Коефициентите на автокорелација го задоволуваат истото равенство како и процесот:

фp(L)pk = 0, k > 0

Решението на оваа равенка е:

pk = ΣAiGik[15]

каде што Ai се константи кои треба да бидат определени од почетните состојби, а Gi се фактори на карактеристичното равенство, кои како што е веќе кажано, мораат во апсолутна вредност да бидат помали од 1 за процесот да биде стационарен. Како доказ за ова тврдење може да послужи условот |pk| < 1 , кој бара ниту еден Gi да не биде поголем од 1, бидејќи во тој случај со зголемувањето на k изразот Gik ќе се зголемува без ограничување. Дополнително, процесот да биде стационарен Gi не може да биде ниту 1, бидејќи во тој случај со зголемувањето на k изразот Gi^k нема да се намалува и коефициентите pk нема да тежнеат кон нула. Еден AR(p) процес да биде стационарен, коефициентите наавтокорелација треба геометриски да опаѓаат до нула. Ако во равенството за автокорелација се замени k=1,...,p, се добива систем со p равенства кој се нарекува Јул-Вокер систем:

p1 = ф1 + ф2p1 + ... +Фppp-1

p2 = ф1p1 + Ф2 + ... +фppp-2

  .
  .
  .

pp = ф1pp-1 + ф2pp-2 + ... + фp

Овој систем се користи за да се пресметаат коефициентите на автокорелација од параметрите на процесот. Според теоремата за декомпозиција на Волд секоја стационарна серија може да биде прикажана како збир на два дела, односно два неповрзани модели: детерминистички и стохастички. Детерминистичкиот дел одговара на просечната вредност на моделот, додека стохаститчкиот дел е еден MA модел. Поради тоа AR(p) процесот чија средина е еднаква нанула може да се претстави како модел на подвижни средини од бесконечен ред. Веќе е покажано дека AR(1) и AR(2) процесите, кога се напишани во форма на девијации од средината, може да се претстават како MA процеси. AR(p) процесот претставен како збир на иновациите, односно во облик на МА го има следниот математички израз:

t = Ψ(L)et

MA обликот на AR(p) процесот запишан без користење на операторот на временското заостанување е следниот:

t = et + Ψet-1 + Ψet-2+ ... = Σ Ψiet-1

Важноста на теоремата на декомпозиција на Волд најдобро се гледа од претходното равенство. AR(p) процесот е претставен како збир на иновациите, односно збир на стационарните процеси. Теоремата гарантира дека секој стационарен процес може да се претстави како линеарна функција. Коефициентите на автокорелација, pk, и коефициентите на MA структурата не се идентични.[16]

Функција на парцијалната автокорелација[уреди | уреди извор]

Со помош на функцијата на автокорелација тешко може да се определи редот на AR процесот. За да се разликуваат АR процесите од различен ред, се користи функцијата на парцијална автокорелација. Оваа функција ги содржи коефициентите на парцијална автокорелација за различни временски заостанувања. Концептот на коефициентот на парцијална автокорелација е аналоген на концептот на коефициентот на парцијална корелација. Во статистиката е чест счучај корелацијата меѓу две променливи да е резултат на нивната корелираност со трета променлива. Затоа се користи коефициентот на парцијална корелација како мерка на "нето" зависноста меѓу две променливи по елиминирање на влијанието на третата променлива. Слично, во анализатаа на временските серии се користи коефициентот на парцијална автокорелација од ред k, со ознака pkk, за да се мери корелацијата меѓу опсервациите на временската серија кои се оддалечени k периоди, а притоа ја елиминира корелацијата на временските заостанувања кои се помали од k. Со други зборови, коефициентот на парцијалната автокорелација ја претставува корелацијата меѓу yt и yt-k, откако ќе се отстрани влијанието (ефектот) на опсервациите меѓу нив. Коефициентот на парцијална автокорелација ред k (временско заостанување k), pkk, е парцијалниот регресиски коефициент во авторегресијата од ред k:

yt = pk1yt-1 + pk2yt-2 + ... + pkkyt-k + et[17]

Коефициентите на парцијалната автокорелација за AR процесите се следните:

         AR(1) процес: p11 = p1 = ф1, a pkk = 0 за k > 1
         AR(2) процес: p11 = p1 = ф1/1-ф2, p22 = p2-p21/1-p21 = ф2,  а pkk  = 0 за k > 2
         AR(p) процес: p11 = p1, p22 ≠ 0,..., ppp ≠ 0 а pkk = 0 za к > p.

Може да се заклучи дека коефициентите на парцијална автокорелација се еднакви на нула за временско заостанување поголемо од редот на авторегресивниот процес. Во случајот на AR(1) процесот, само коефициентот на парцијална автоткорелација за временското заостанување од 1 е поголем од 0, додека сите останати коефициенти се пеомали од 0. Во случајот на AR(2) процесот, само коефициентите на парцијална автокорелација за временски заостанувањаа од 1 и 2 се поголеми од 0, а сите останати коефициенти се помали од 0. Дополнително, кај AR(p) процесот последниот коефициент на парцијална автокорелација ppp е еднаков на последниот авторегресивен коефициент фp. Ова е полезно својство кое се користи во постапката на идентификација на соодветниот AR модел. Функцијата на парцијална автокорелација на примерокот се пресметува со помош на Дурбиновата рекурзивна формула:

pkk = pk - Σ pk-1,jpk-j/1 - Σ pk-1,jpj; pkj = pk-1,j-pkkpk-1,k-j; j = 1,2,..., k-1.[18]

Наводи[уреди | уреди извор]

  1. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје, стр.267 Скопје 2012
  2. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 267 Скопје 2012
  3. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр.268 Скопје 2012
  4. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр.270 Скопје 2012
  5. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 271 Скопје 2012
  6. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр.272 Скопје 2012
  7. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр.272 Скопје 2012
  8. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр.272 Скопје 2012
  9. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 273 Скопје 2012
  10. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 273 Скопје 2012
  11. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 273 Скопје 2012
  12. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 275 Скопје 2012
  13. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје, стр. 277 Скопје 2012
  14. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје, стр. 278 Скопје 2012
  15. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 278 Скопје 2012
  16. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје,стр. 279 Скопје 2012
  17. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје, стр. 281 Скопје 2012
  18. Ристески Славе, Тевдовски Драган, Трпкова Марија - Вовед во анализата на временските серии, Универзитет "Св.Кирил и Методиј" Економски факултет - Скопје, стр. 282 Скопје 2012