Autoregresszív és mozgóátlag...
Transcript of Autoregresszív és mozgóátlag...
Autoregresszív és
mozgóátlag
folyamatokGéczi-Papp Renáta
Autoregresszív folyamat
Az Yt diszkrét paraméterű sztochasztikus
folyamatok k-ad rendű autoregresszív
folyamatnak nevezzük, ha
𝑌𝑡 = 𝛼1 ∗ 𝑌𝑡−1 +⋯+ 𝛼𝑘 ∗ 𝑌𝑡−𝑘 + 𝜀𝑡
Ahol:
αi konstansok
Yt fehér zaj (várható értéke 0, szórása σy)
2
Autoregresszív folyamat
Alapkifejezés nagyon hasonló a többváltozós
regresszióhoz → „regresszív”
Saját késleltetett értékeivel magyarázzuk az Y
változásait → „auto”
„Az AR folyamatokkal általában azokat az
idősorokat modellezhetjük, amelyekről feltehetjük,
hogy jelen idejű értékeik alakulásában a közvetlen
múlton kívül a véletlen hiba is beleszól” (Prof. Dr.
Besenyei Lajos, Domán Csaba (2011))
3
Forrás:
http://www.math.bme.hu/~mogy/oktatas/villamosMSC/het_7_stacionarius.pdf
4
Mozgóátlag-folyamat
Az Yt diszkrét paraméterű sztochasztikus
folyamatot k-ad rendű mozgóátlag folyamatnak
nevezzük, ha
𝑌𝑡 = 𝛽0 ∗ 𝑈𝑡 + 𝛽1 ∗ 𝑈𝑡−1 +⋯+ 𝛽𝑘 ∗ 𝑈𝑡−𝑘
Ahol
βk konstansok
Ut diszkrét fehér zaj (várható érték 0, szórás σu)
5
Mozgóátlag-folyamat
MA folyamat várható értéke és
autokovarianciája „t”-től független
konstansok
Gyenge stacionárius folyamat
6
Forrás:
http://www.math.bme.hu/~mogy/oktatas/villamosMSC/het_7_stacionarius.pdf7
AR és MA folyamatok
A két típusú folyamatok ki lehet
egymásból fejezni
Mindkét esetben különböző rendeket
különböztethetünk meg
AR(p)
MA(q)
Ahol p és q a folyamat rendjét jelenti
8
ARMA modellek
Autoregresszív és Mozgóátlag modellek
(autoregressive and moving-average)
Sztochasztikus idősorelemzés
legegyszerűbb és leginkább elterjedt
módszere
AR és MA folyamatokat egyesít
Paraméterek megállapítása általában
empirikus idősor alapján9
ARMA (p,q)
𝑌𝑡 = 𝛼1𝑌𝑡−1 + 𝛼2𝑌𝑡.2 +⋯+ 𝛼𝑝𝑌𝑡−𝑝 +
𝜀𝑡 + 𝛽1𝜀𝑡−1 +⋯+ 𝛽𝑞𝜀𝑡−𝑞,
Ahol
εt fehér zaj
p és q az autoregresszív és mozgóátlag
folyamat rendje
10
ARMA(p,q)
Az AR tag arra utal, hogy Yt részben saját, véges
múltjának lineáris regressziójaként írható fel
A MA tag arra utal, hogy a lineáris regresszió
hibatagja az εt fehérzaj mozgó átlaga, vagyis a
jelen és a véges múlt lineáris kombinációja
(Prof. Dr. Besenyei Lajos, Domán Csaba (2011))
11
ARMA (p,q)
modellezés
Forrás: Kehl, Sipos: Excel
parancsfájlok felhasználása a
statisztikai elemzésekben (2011)
12
Forrás: Kehl, Sipos: Excel parancsfájlok felhasználása a statisztikai elemzésekben (2011)13
Forrás: Kehl, Sipos: Excel parancsfájlok felhasználása a statisztikai elemzésekben (2011)14
Forrás: http://www.federalreserve.gov/pubs/feds/2008/200806/
15
Identifikáció
Paraméterek becslésére több lehetőség is, a
feltételektől függően (pl. momentumok
módszere, OLS, stb.)
Autokorrelációs és parciális autokorrelációs fv.
árulkodó
Folyamat ACF PACF
AR(p) ≠0 ha τ>p akkor =0
MA(q) ha τ>q akkor =0 ≠0
16
Takarékosság elve
Principle of parsimony
Mindig a legegyszerűbb modell
kialakítására kell törekedni, vagyis azt a
reprezentációt kell keresni, amely a
legkevesebb paramétert tartalmazza
17
Modellválasztás
pmax és qmax meghatározása
(ökölszabály: ne legyen 3-nál nagyobb)
Minden ARMA modell becslése
Egy információs kritérium
minimalizálása (takarékosság elve)
Kiválasztott modell helyességének
ellenőrzése
Forrás: Rappai Gábor18
Információs kritériumok
1. Előrejelzés végső hibája (final prediction
error)
2. Akaike
3. Schwarz
4. Hannan - Quinn
19
ARIMA (p,d,q)
Autoregresszív Integrált Mozgóátlag modell
Legáltalánosabb, megengedi a stacionárius
transzformációkat (differenciálás,
logaritmizálás)
p= autoregresszió rendje
d= differenciák száma (nem szezonális
különbségek)
q= mozgóátlag rendje20
Ismert ARIMA modellek
ARIMA (p, d, q)
ARIMA (0,1,0)=véletlen bolyongás
ARIMA (1,1,0)=módosított elsőrendű
autoregresszív modell
ARIMA (0,1,1) nem állandó=egyszerű
exponenciális simítás
ARIMA (0,1,1)=állandó egyszerű
exponenciális simítás a növekedés
ARIMA (0,2,1) és (0,2,2) nem állandó=lineáris
exponenciális simítás
A „vegyes” modell - ARIMA (1,1,1)
Forrás: (Prof. Dr. Besenyei Lajos, Domán Csaba (2011))
21
Autokorreláció tesztelése
Forrás: Kehl, Sipos: Excel parancsfájlok felhasználása a statisztikai elemzésekben (2011)22
AR és MA
rendjének
meghatározása
információs
kritériumok
segítségével
Forrás: saját számítás, EViews programmal
23
ARMA modell becslése
Forrás: saját számítás, EViews programmal
24
Előrejelzés ARMA modellel
Forrás: saját számítás, EViews programmal
25
Köszönöm a figyelmet!
26