11-多元时间序列分析

合集下载

时间序列分析(3)

时间序列分析(3)

二、传递函数模型
• (2) 1阶过程的互相关函数 • 由Ezt=Eεt=0,有Eyt=0,使用Yule-Walker方程,得: γyz(0)=Eytzt=E[cd(zt-d+a1zt-d-1+…)zt+ztεt/(1-a1L)]=0 γyz(1)=Eytzt-1=E[cd(zt-d+a1zt-d-1+…)zt-1+zt-1εt/(1-a1L)]=0 ……… γyz(d)=Eytzt-d =E[cd(zt-d+a1zt-d-1+…)zt-d+zt-dεt/(1-a1L)]=cdσz2 γyz(d+1)=Eytzt-d-1 =E[cd(zt-d+a1zt-d-1+…)zt-d-1+zt-d-1εt/(1-a1L)]=cda1σz2 γyz(d+2)=Eytzt-d-2 =E[cd(zt-d+a1zt-d-1+…)zt-d-2+zt-d-2εt/(1-a1L)]=cda12σz2
一、干预分析
• (1) 一个简单的干预分析模型 • 将Enders等的劫机事件干预分析模型变换,得: (1-a1L)yt=a0+c0zt+εt 即: yt=a0/(1-a1)+c0Σa1izt-i+Σa1iεt , |a1|<1. 由此可进行脉冲响应分析: yt/zt=c0 yt+1/zt+1+yt+1/zt=c0+c0a1=c0(1+a1) yt+2/zt+2+yt+2/zt+1+yt+2/zt=c0(1+a1+a12) yt+j/zt+j+yt+j/zt+j-1+…+yt+j/zt=c0(1+a1+a12+…a1j)

《时间序列分析》课程教学大纲

《时间序列分析》课程教学大纲

《时间序列分析》课程教学大纲课程编号:33330775课程名称:时间序列分析课程基本情况:1.学分:3 学时:51学时(课内学时:45 课内实验:6)2.课程性质:专业必修课3.适用专业:统计学适用对象:本科4.先修课程:概率论、数理统计、随机过程5.首选教材:王燕:《应用时间序列分析》,中国人民大学出版社,2008出版。

备选教材:王振龙等编著:《时间序列分析》,中国统计出版社,2000年。

6.考核形式:闭卷考试7.教学环境:多媒体教室及实验室一、教学目的与要求本课程是数理统计学的一个重要分支,先期需完成的课程有概率论、随机过程。

通过本课程的学习,使学生掌握时间序列数据的分析方法,包括时间序列简介、平稳时间序列分析、时间序列分解、非平稳序列的随机分析、多元时间序列分析。

利用Eviews软件进行本课程的实验教学。

二、教学内容及学时分配课程内容及学时分配表三、教学内容安排第一章时间序列分析简介【教学目的】1、了解时间序列的定义及常用分析方法;2、掌握时间序列的几个基本概念:随机过程、平稳随机过程、非平稳随机过程、自相关、记忆性。

【教学重点】时间序列的相关概念。

【教学难点】随机过程、系统自相关性。

【教学方法】课堂讲授【教学内容】第一节时间序列的定义第二节时间序列分析方法第三节时间序列分析软件EVIEWS简介第二章时间序列的预处理【教学目的】1、掌握平稳性检验的原理和方法;2、掌握纯随机性检验的原理和方法。

【教学重点】平稳时间序列的定义及统计性质。

【教学难点】时间序列的相关统计量。

【教学方法】课堂讲授【教学内容】第一节平稳性检验一、特征统计量二、平稳时间序列的定义三、平稳时间序列的统计性质四、平稳时间序列的意义五、平稳时间序列的检验第二节纯随机性检验一、纯随机序列的定义二、白噪声序列的定义三、纯随机性检验第三章平稳时间序列序列分析【教学目的】1、理解ARMA模型的定义及性质。

2、掌握平稳序列建模方法。

3、掌握平稳时间序列的预测【教学重点】平稳时间序列建模【教学难点】模型识别,参数估计,序列预测【教学方法】课堂讲授与上机实验【教学内容】第一节方法性工具一、差分运算二、延迟算子三、线性差分方程第二节 ARMA模型的性质一、AR模型二、MA模型三、ARMA模型第三节平稳序列建模一、建模步骤二、样本自相关系数与偏相关系数三、模型识别四、参数估计五、模型检验六、模型优化第四节序列预测一、线性预测函数二、预测方差最小原则三、线性最小方差预测的性质四、修正预测第四章非平稳序列的确定性分析【教学目的】1、理解时间序列的分解原理。

时间序列考试A卷——答案 2

时间序列考试A卷——答案 2

一、单项选择题1. t X 的k 阶差分是 【 C 】(A )k t t t k X X X -∇=- (B )11k k k t t t k X X X ---∇=∇-∇ (C )111k k k t t t X X X ---∇=∇-∇ (D )1112k k k t t t X X X ----∇=∇-∇ 2. MA(2)模型121.10.24t t t t X εεε--=-+,则移动平均部分的特征根是 【 A 】 (A )10.8λ=,20.3λ= (B )10.8λ=-,20.3λ= (C )10.8λ=-,20.3λ=- (D )10.8λ=-,20.2λ= 3.关于差分121.30.40t t t X X X ---+=,其通解是 【 D 】 (A )1(0.80.3)t t C + (B ) 1(0.80.5)t t C + (C ) 120.80.3t t C C + (D )120.80.5t t C C +4. AR(2)模型121.10.24t t t t X X X ε--=-+,其中0.04t D ε=,则t t EX ε=【 B 】 (A )0 (B ) 0.04 (C ) 0.14 (D )0.25. ARMA(2,1)模型1210.240.8t t t t t X X X εε-----=-,其延迟表达式为【 A 】(A )2(10.24)(10.8)t t B B X B ε--=- (B ) 2(0.24)(0.8)t t B B X B ε--=- (C )2(0.24)0.8t t B B X ε--=∇ (D )2(10.24)t t B B X ε--=∇三、(15分)已知MA(2)模型为120.60.5t t t t X εεε--=-+,其中0.04t D ε=, (1)计算前3个逆函数,,1,2,3j I j =;----------------(8分) (2)计算()t Var X ;-----------------------------------(7分)解答:(1)t X 的逆转形式为:1t jt j t j X IX ε+∞-==+∑,或0()t j t j j I X ε+∞-==-∑------------(1分)将其代入原模型得:2212(10.60.5)(1)t t X B B I B I B X =-+----------(1分)比较B 的同次幂系数得:11:0.600.6B I I --=⇒=-———(2分)2212:0.60.500.14B I I I -++=⇒=———(2分) 33213:0.60.500.384B I I I I -++=⇒=———(2分)(2)12(0.60.5)0t t t t EX E εεε--=-+=———(1分)21212[(0.60.5)(0.60.5)]t t t t t t t EX E εεεεεε----=-+-+,———(2分)因为20,0.04,t s t s E t sεεεσ≠⎧=⎨==⎩———(2分) 所以:222()(10.60.5)0.040.0644t t Var X EX ==++⨯=———(2分) 四、(15分)已知AR(2)模型为(10.5)(10.3)t tB B X ε--=,20.5t D εεσ==。

统计学中的时间序列分解与周期性分析

统计学中的时间序列分解与周期性分析

统计学中的时间序列分解与周期性分析时间序列分解与周期性分析是统计学中的重要概念,它们可以帮助我们理解和预测时间序列数据中的趋势、季节性和周期性变化。

通过对时间序列数据进行分解和分析,我们可以揭示出隐藏在数据背后的规律和模式,为决策提供依据。

本文将介绍时间序列分解和周期性分析的基本原理和方法,并探讨其在实际应用中的意义和作用。

1. 时间序列分解的基本原理时间序列是按照时间顺序排列的数据序列,它可以包含多种类型的变化,包括趋势、季节性、周期性和随机性等。

时间序列分解的基本原理是将总体时间序列分解为趋势、季节性和残差三个部分,以揭示出各个成分的变化规律。

1.1 趋势分析趋势分析是时间序列分解的第一步,它用于捕捉时间序列中的长期趋势。

常用的趋势分析方法包括移动平均法、指数平滑法和回归分析等。

移动平均法是一种简单有效的趋势分析方法,它通过计算一定时期内的观测值平均值来揭示出数据的长期趋势。

指数平滑法则是通过给予不同时期的权重来预测未来的趋势,它适用于数据变化较为平稳的情况。

回归分析则可以利用自变量来建立与时间序列相关的回归模型,以预测未来的趋势。

1.2 季节性分析季节性分析是时间序列分解的第二步,它用于捕捉时间序列中的季节性变化。

常用的季节性分析方法包括季节指数法、X-11法和结构分解法等。

季节指数法是一种常用的季节性分析方法,它通过计算不同季节中观测值相对于平均观测值的比例来揭示季节性变化的规律。

X-11法则是一种统计方法,可以识别并调整季节性因素对时间序列的影响。

结构分解法则是一种常用的多元时间序列分析方法,它能够同时考虑趋势、周期性和季节性等因素。

1.3 残差分析残差分析是时间序列分解的最后一步,它用于捕捉时间序列中的随机性变化。

残差是指由于趋势、季节性和周期性等因素无法解释的部分,通过对残差序列的分析,我们可以判断模型是否合适以及是否存在其他影响因素。

常用的残差分析方法包括平稳性检验、自相关函数分析和偏自相关函数分析等。

时间序列分析中模式识别方法的应用-模式识别论文

时间序列分析中模式识别方法的应用-模式识别论文

时间序列分析中模式识别方法的应用摘要:时间序列通常是按时间顺序排列的一系列被观测数据,其观测值按固定的时间间隔采样。

时间序列分析(Time Series Analysis)是一种动态数据处理的统计方法,就是充分利用现有的方法对时间序列进行处理,挖掘出对解决和研究问题有用的信息量。

经典时间序列分析在建模、预测等方面已经有了相当多的成果,但是由于实际应用中时间序列具有不规则、混沌等非线性特征,使得预测系统未来的全部行为几乎不可能,对系统行为的准确预测效果也难以令人满意,很难对系统建立理想的随机模型。

神经网络、遗传算法和小波变换等模式识别技术使得人们能够对非平稳时间序列进行有效的分析处理,可以对一些非线性系统的行为作出预测,这在一定程度上弥补了随机时序分析技术的不足。

【1】本文主要是对时间序列分析几种常见方法的描述和分析,并重点介绍神经网络、遗传算法和小波变换等模式识别方法在时间序列分析中的典型应用。

关键字:时间序列分析模式识别应用1 概述1.1 本文主要研究目的和意义时间序列分析是概率论与数理统计学科的一个分支,它是以概率统计学作为理论基础来分析随机数据序列(或称动态数据序列),并对其建立数学模型,即对模型定阶、进行参数估计,以及进一步应用于预测、自适应控制、最佳滤波等诸多方面。

由于一元时间序列分析与预测在现代信号处理、经济、农业等领域占有重要的地位,因此,有关的新算法、新理论和新的研究方法层出不穷。

目前,结合各种人工智能方法的时序分析模型的研究也在不断的深入。

时间序列分析已是一个发展得相当成熟的学科,已有一整套分析理论和分析工具。

传统的时间序列分析技术着重研究具有随机性的动态数据,从中获取所蕴含的关于生成时间序列的系统演化规律。

研究方法着重于全局模型的构造,主要应用于对系统行为的预测与控制。

时间序列分析主要用于以下几个方面:a 系统描述:根据观测得到的时间序列数据,用曲线拟合的方法对系统进行客观的描述;b 系统分析:当观测值取自两个以上变量时,可用一个时间序列中的变化去说明另一个时间序列中的变化,从而深入了解给定时间序列产生的机理;c 未来预测:一般用数学模型拟合时间序列,预测该时间序列未来值;d 决策和控制:根据时间序列模型可调整输入变量使系统发展过程保持在目标值上,即预测到偏离目标时便可进行控制。

时间序列分析课程教学大纲

时间序列分析课程教学大纲

《时间序列分析》(双语)课程教学大纲(2001年制订,2004年修订)课程编号:060063英文名:Time Series Analysis课程类别:统计学专业选修课前置课:线性代数、概率论与数理统计、计算机基础后置课:学分:2学分课时:36课时(其中实验课12课时)主讲教师:王芳选定教材:易丹辉,数据分析与Eviews应用,北京:中国统计出版社,2002 自编英文讲义课程概述:时间序列分析是一门实用性极强的课程,是进行科学研究的一项重要工具。

近年来,时序分析已普遍应用于工农业生产、科学技术和社会经济生活的许多领域。

本课程着重介绍平稳时间序列数据的分析、建模及预测,如AR,MA和ARMA三个模型,并且针对非平稳时间序列,介绍其平稳化的一些方法及建模方法,如ARIMA模型等。

教学目的:本课程的教学,目的在于让学生能从数量上揭示某一现象的发展变化规律或从动态的角度刻划某一现象与其他现象之间的内在数量关系及其变化规律性,达到认识客观世界之目的。

具体来说是使得学生能分析时间序列的统计规律性,构造拟合它的最佳数学模型,浓缩时间序列的信息,简化对时间序列的表示,给出预报结果的精度分析;使学生掌握时间序列的基本概念以及时序的分类,学会对具体时序的分析步骤与建模方法,进而掌握如何判断已建立模型与原来数据的适应性及对未来值的预报。

教学方法:采取理论讲授、课堂讨论、上机实习及课下收集相关资料的方式。

理论课采用多媒体教学,有效的利用课堂时间,要求学生上机完成作业。

由于本课程重在要求学生能利用所学的方法来分析实际经济问题,所以鼓励学生收集与本课程有关的期刊论文,从中学习如何利用数据结果来分析问题。

本课程课堂讲授34学时。

每章应布置2-4道思考题,并根据具体内容适当布置一些计算题和分析题。

考试方式为闭卷考试。

总评成绩:平时作业30%,考试成绩占70%各章教学要求及教学要点Chapter 1 Introduction课时分配:4学时教学要求:本章对时间序列、时间序列的种类、时间序列分析、计算机软件等内容作了介绍,要求掌握的是有关时间序列的各个概念,熟悉时间序列的种类,为避免复杂的计算,应熟悉计量经济软件Eviews的基本操作。

第05章多元时间序列分析方法

第05章多元时间序列分析方法

第05章多元时间序列分析⽅法142第五章多元时间序列分析⽅法[学习⽬标]了解协整理论及协整检验⽅法;掌握协整的两种检验⽅法:E-G 两步法与Johansen ⽅法; ? 熟悉向量⾃回归模型VAR 的应⽤; ? 掌握误差修正模型ECM 的含义及检验⽅法; ? 掌握Granger 因果关系检验⽅法。

第⼀节协整检验前⾯介绍的ARMA 模型要求时间序列是平稳的,然⽽实际经济运⾏中的⼤多数时间序列都是⾮平稳的,通常采取差分⽅法消除时间序列中的⾮平稳趋势,使得序列平稳后建⽴模型,这就是第四章所介绍的ARIMA 模型。

但是,变换后的时间序列限制了所要讨论问题的范围,并且有时变换后的序列由于不具有直接的经济意义,从⽽使得转换为平稳后的序列所建⽴的时间序列模型的解释能⼒⼤⼤降低。

1987年,Engle 和Granger 提出的协整理论及其⽅法,为⾮平稳时间序列的建模提供了另⼀种重要途径。

①⽬前,协整问题研究已经成为20世纪80年代末到90年代以来经济计量学建模理论的⼀个重⼤突破,在分析变量之间的长期均衡关系中得到⼴泛应⽤。

⼀、协整概念与定义在经济运⾏中,虽然⼀组(两个或两个以上)时间序列变量(例如⼈民币汇率与外汇储备、货币供应量和股票指数)都是随机游⾛,但它们的某个线性组合却可能是平稳的,在这种情况下,我们称这两个变量是平稳的,既存在协整关系。

其基本思想是,如果两个(或两个以上)的时间序列变量是⾮平稳的,但它们的某种线性组合却表现出乎稳性,则这些变量之间存在长期稳定关系,即协整关系。

根据以上叙述,我们将给出协整这⼀重要概念。

⼀般⽽⾔,协整(cointegration)是指两个或两个以上同阶单整的⾮平稳时间序列的组合是平稳时间序列,则这些变量之间的关系的就是协整的。

为何会有协整问题存在呢?这是因为许多⾦融、经济时间序列数据都是不平稳的,但它们可能受到某些共同因素的影响,从⽽在时间上表现出共同趋势,即变量之间存在⼀定稳定关系,他们的变化受到这种关系的制约,因此它们的某种线性组合可能是平稳的,即存在协整关系。

统计学中的多元时间序列分析

统计学中的多元时间序列分析

统计学中的多元时间序列分析多元时间序列分析是统计学的一个分支,它主要研究的是一系列的随时间变化而变化的变量,即时间序列。

而时间序列分析又分为单变量时间序列分析和多元时间序列分析两类,其中多元时间序列分析是单变量时间序列分析的扩展,它考虑多个变量之间的互相影响,因而更加复杂和困难。

在多元时间序列分析中,我们研究的对象是多个时间序列之间的关系。

多元时间序列分析的基本思想是将多个时间序列的变量统一表示成一个矩阵的形式,然后研究这个矩阵的性质和特征。

矩阵中的每一行表示一个时间点,每一列表示一个变量。

这样,我们可以很方便地对多个变量之间的相关性和交互作用进行分析。

在多元时间序列分析中,我们需要用到很多经典的统计方法,比如时间序列自回归模型、因子分析、主成分分析、线性回归等等。

下面我们分别介绍这些方法的基本思想和应用。

1. 时间序列自回归模型时间序列自回归模型是时间序列分析的最基本方法之一,它主要用于描述一个时间序列的过去和未来值之间的关系。

自回归模型假设一个变量的过去值可以用来预测当前值。

如果我们有两个变量,则可以建立双变量自回归模型,用一个变量的过去值预测另一个变量的未来值。

2. 因子分析因子分析是多变量统计分析中的一种方法,它的主要目的是寻找未观察变量的因素或维度。

因子分析可以将多个变量之间的关系简化为少数几个因素或者维度,从而更好地理解数据的内在结构和变异规律。

在多元时间序列分析中,因子分析可以用来降低变量的维度,提高模型的可解释性。

3. 主成分分析主成分分析也是一种降维方法,它可以将多个变量之间的线性关系转化为少数几个主成分。

主成分分析的目标是在保留数据变异特征的基础上,尽可能地减小变量的个数。

在多元时间序列分析中,主成分分析可以用来查找相邻时间点之间的相似性或变异度。

4. 线性回归线性回归是一种最常用的预测方法,它假设一个变量的变化可以用其他变量的值来解释。

在多元时间序列分析中,线性回归可以用来建立变量之间的关系模型,从而预测未来的数值。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
• 反之,如果经济状况不好,但是支持率很高的话, 一般支持率会降到平衡水平。
具体模型
In Ostrom and Smith’s (1992) model: At = Xt + (At-1 - Xt-1) + t where At = approval
Xt = quality of life outcome
协整
• 协整检验
• 一、协整概念与定义
• 在经济运行中,虽然一组时间序列变量都是随机游走,但它们的某个 线性组合却可能是平稳的,在这种情况下,我们称这两个变量是平稳 的,既存在协整关系。
• 其基本思想是,如果两个(或两个以上)的时间序列变量是非平稳的, 但它们的某种线性组合却表现出平稳性,则这些变量之间存在长期稳 定关系,即协整关系。
• 在时期t,假设X有一个变化量Xt,如果变量X 与Y在时期t与t-1末期仍满足它们间的长期均衡 关系,即上述第一种情况,则Y的相应变化量为:
Yt 1X t vt vt=t-t-1
• 如果t-1期末,发生了上述第二种情况,即Y的 值小于其均衡值,则t期末Y的变化往往会比第 一种情形下Y的变化大一些;
• 反之,如果t-1期末Y的值大于其均衡值,则t期 末Y的变化往往会小于第一种情形下的Yt 。
• 可的见长,期如稳果定Y的t=“0均+衡1Xt关+系t正”确,地则提意示味了着XY与对Y其间 均衡点的偏离从本质上说是“临时性”的。
• 一个重要的假设就是:随机扰动项t必须是平稳 序则列会。导如致果Y对t其有均随衡机点性的趋任势何(偏上离升都或会下被降长)期, 累积下来而不能被消除。
E
(
X
2t
) )
Cov(
X
t
,
X
t l
)
Cov( X1,t Cov( X 2,t
, ,
X 1,t l X 1,t l
) )
都不随时间变化。
Cov( X1,t , Cov( X 2,t ,
X 2,tl ) X 2,tl )

l
多元时间序列
• 自协方差阵:
Ljung-Box 检验
VAR(1) 模型
– (一)金融发展和经济增长之间关系检验 – (二)期货价格和现货价格之间关系的检验 – (三)货币需求理论的实证检验 – (四)购买力平价理论的检验

• 总统的支持率与国家的经济运行状况达到一种平 衡状态。(Ostrom and Smith 1992).
• 具体地,如果经济运行状况良好,但是支持率不 高时,一般支持率会升高;
第十一章 多元时间序列分析
本章结构
• VAR • 协整 • 误差修正模型
• 学习目的:研究序列之间的关系
多元时间序列
考虑时间序列:X t
x1t
x2t
也可以考虑更高维的数据,x1,x2 , ,xT
目的: 1。找到序列之间的关系 2。得到更加准确的预测
多元时间序列
弱平稳:
E(
X
t
)
E( X1t
单整的性质
• 若 xt ~ I (0) ,对任意非零实数a, b,有
a bxt ~ I (0)
• 若 xt ~ I (d ),对任意非零实数a, b,有
a bxt ~ I (d )
• 若xt ~ I (0),yt ~ I (0) 独立,对任意非零实数a, b ,有 zt axt byt ~ I (0)
假设X与Y间的长期“均衡关系”由式描述
Yt 0 1X t t
该均衡关系意味着:给定X的一个值,Y相应的均衡值也随 之确定为0+1X。
• 在t-1期末,存在下述三种情形之一:
– Y等于它的均衡值:Yt-1= 0+1Xt ; – Y小于它的均衡值:Yt-1< 0+1Xt ; – Y大于它的均衡值:Yt-1> 0+1Xt ;
X t 0 X t1 t , 其中0是一个k维向量,是一个k k的矩阵, t 是一个序列不相关的随机向量序列,其均值为0,协方差阵为。
实际应用中,要求是正定的。
文献中,通常假定 t正态。
二元情形:(k 2) X t ( X1t , X 2t ) VAR(1)包含以下两个方程:
X1t 10 11 X1,t1 12 X 2,t1 1t X 2t 20 21 X1,t1 22 X 2,t1 2t
• 我们将给出协整这一重要概念。 • 一般而言,协整是指两个或两个以上同阶单整的非平稳时间序列的组
合是平稳时间序列,则这些变量之间的关系的就是协整的。
协整在金融计量中的主要应用
– 目前,协整模型已经成为重要的金融计量模型,在经济研究中得 到普遍或广泛的应用。通过检验经济序列之间是否存在协整关系, 来判断对应变量间是否存在经济意义上的“均衡”关系。在此, 我们对协整模型在金融计量中的应用主要总结如下几个方面:
协整的概念
• 假定自变量序列为 {x1},,{xk } ,响应变量 序列为{yt } ,如果 {x1},,{xk } 与{yt } 是同阶 单整的。则可以构造回归模型
• 若xt ~ I (d) ,yt ~ I (c) 独立,对任意非零实数a, b ,有
zt axt byt ~ I (k), k max{d,c}
长期均衡
• 经济理论指出,某些经济变量间确实存在着长期均衡关
系,这种均衡关系意味着经济系统不存在破坏均衡的内在 机制,如果变量在某时期受到干扰后偏离其长期均衡点, 则均衡机制将会在下一期进行调整以使其重新回到均衡状 态。
• 其他还有VMA,VARMA等模型 • 具体见教材第8章。
单整
单整的概念 如果序列平稳,说明序列不存在单位根,这时称序列
为零阶单整序列,简记为 xt ~ I (0)
假如一个时间序列至少需要进行d 阶差分才能实现平稳, 说明原序列存在d个单位根,这时称原序列为d 阶单整
序列,简记为 xt ~ I (d ), d 1.
根据第一个方程,
12表示的是在X
1,t
1存在时,X
1t
对X
2,t
的线性依赖。
1
即12为给定X
1,t
1时,X
2,t
1对X
的条件效应。
1t
若12
0,那么X1t并不依赖于X
,而只依赖与其过去值。
2,t 1
类似地考虑
的意义。
21
VAR(p)模型
X t 0 1X t1 p X t p t , p 0. 其中0是一个k维向量, j是一个k k的矩阵, t 是一个序列不相关的随机向量序列,其均值为0,协方差阵为。
相关文档
最新文档