时间序列笔记-白噪声

笔记说明

在datacamp网站上学习“Time Series with R ”track
“Introduction to Time Series Analysis”课程 做的对应笔记。
学识有限,错误难免,还请不吝赐教。

目录

  • 弱白噪声(Weak White Noise)
  • 独立同分布白噪声(i.i.d. White Noise)
  • 特殊白噪声
  • 预测白噪声
  • 模拟白噪声数据与拟合白噪声模型

白噪声模型是其他复杂时间序列模型的基础,也是最简单的平稳过程。

弱白噪声(Weak White Noise)

序列Y_1,Y_2,...是均值为μ,方差为σ^2的弱白噪声过程(weak white noise process),记为“weak WN(μ,σ^2)”,如果满足下列条件:

  • E(Y_t)=μ
  • Var(Y_t)=σ^2
  • Cov(Y_t, Y_s)=0,t≠s
    若均值未说明,默认μ=0

弱白噪声过程是弱平稳的,且有

  • γ(0)=σ^2
  • γ(h)=0,h≠0
  • ρ(0)=1
  • ρ(h)=0,h≠0
    Y_t与Y_{t+h}之间的协方差记为γ(h),称为自协方差函数
    Y_t与Y_{t+h}之间的相关系数记为ρ(h),称为自相关函数)

独立同分布白噪声(i.i.d. White Noise)

如果Y_1,Y_2,...是独立同分布(i.i.d.)的过程,称其为独立同分布白噪声过程,记为i.i.d. WN(μ,σ^2).

白噪声与平稳性:

  • 弱白噪声是弱平稳的
  • i.i.d.白噪声是强平稳的
  • i.i.d.白噪声是弱白噪声的充分不必要条件

特殊白噪声

如果Y_1,Y_2,...是独立同分布的正态分布随机变量,则称为高斯白噪声过程(Gaussian white noise process)。
类似地,如果Y_1,Y_2,...是独立同分布且满足自由度为ν的t分布的随机变量,则称为t_ν白噪声过程。

预测白噪声

由于Cov(Y_t, Y_s)=0,t≠s,白噪声过程中既往的测量值无法提供可以用来预测未来测量值的信息。若Y_1,Y_2,...服从i.i.d.WN(μ,σ^2),则对于h≥1,有
    E(Y_{t+h}|Y_1,...,Y_t)=μ

  • 无法根据均值预测白噪声过程未来的偏差
  • 未来独立于过去与现在
  • 对未来的最佳预测值就是μ

对于弱白噪声,以上结论不一定成立,但是给定Y_1,Y_2,...Y_t,对于Y_{t+h}最佳线性预测值(best linear predictor)仍然是μ。

模拟白噪声数据与拟合白噪声模型

  1. 模拟白噪声数据
    在R中,可以使用arima.sim()函数模拟各种时间序列模型。
    arima是自回归滑动平均混合模型(Autoregressive Integrated Moving Average model)的简称,模型有p,d,q三个参数:自回归阶数p,差分阶数d,移动平均阶数q,这三个参数会在以后讲解中再行详述。现在只需要知道ARIMA(0,0,0)模型就是一个白噪声模型(应该是i.i.d.WN吧)

模拟一个均值为100,标准差为10的白噪声数据

# Simulate a WN model 可不指定mean sd 默认均值为0,标准差为1
white_noise <- arima.sim(model = list(order = c(0, 0, 0)), n = 100, mean = 100, sd=10)
# Plot white_noise data
ts.plot(white_noise)
white_noise
  1. 拟合白噪声模型
    可以用arima(..., order = c(0, 0, 0))函数对所给数据拟合白噪声模型。拟合后给出的估计值包括白噪声模型的均值(标为intercept)和方差(标为sigma^2)。对刚生成的模拟数据拟合白噪声模型:
arima(white_noise, order = c(0,0,0))

运行后会得到:模型均值的估计为101.2399,标准误1.0803;模型方差的估计为116.7;log likelihood为-379.87,AIC 为 763.75

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 201,552评论 5 474
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 84,666评论 2 377
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 148,519评论 0 334
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,180评论 1 272
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,205评论 5 363
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,344评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,781评论 3 393
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,449评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,635评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,467评论 2 317
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,515评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,217评论 3 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,775评论 3 303
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,851评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,084评论 1 258
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,637评论 2 348
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,204评论 2 341

推荐阅读更多精彩内容

  • 一、基本概念 1.随机时序分析的基本概念1)随机变量:简单的随机现象,如某班一天学生出勤人数,是静态的。2)随机过...
    apricoter阅读 6,393评论 0 10
  • 本章涉及知识点:1、时间序列分析2、平稳时间序列3、白噪声4、AR自回归模型5、MA滑动平均模型6、ARMA模型7...
    PrivateEye_zzy阅读 13,233评论 1 7
  • 以西瓜书为主线,以其他书籍作为参考进行补充,例如《统计学习方法》,《PRML》等 第一章 绪论 1.2 基本术语 ...
    danielAck阅读 4,476评论 0 6
  • 时间序列分析模型——ARIMA模型 一、研究目的 传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但经济...
    Morphing0527阅读 11,070评论 0 8
  • 这两天过于低落了,还是需要点正能量的,就像歌词里说的,眼前的黑不是黑,每个人都会经历最困难的那个时期,只要坚持度过...
    兴幽松雪阅读 139评论 0 2