Wprowadzenie Do Analizy Szeregów Czasowych: Stacjonarne Szeregi Czasowe I Ich Własności

Wprowadzenie do analizy szeregów czasowych
Stacjonarne szeregi czasowe i ich własności
Adam Zagdański
Wydział Matematyki,
Politechnika Wrocławska
6 III 2023
Sprawy organizacyjne
Wprowadzenie
Proste modele szeregów czasowych
Modele stacjonarne szeregów czasowych
Plan
1 Sprawy organizacyjne
2 Wprowadzenie
Przykłady szeregów
Typowe oznaczenia
Główne zadania analizy szeregów czasowych
Etapy w analizie szeregu czasowego
3 Proste modele szeregów czasowych
4 Modele stacjonarne szeregów czasowych

Funkcje średniej, kowariancji i autokowariancji
Funkcja autokorelacji
Wprowadzenie do analizy szeregów czasowych 2/49

Wprowadzenie
Kontakt
biuro: p.4.6 (C-19)

e-mail: Adam.Zagdanski@pwr.edu.pl
strona domowa: http://prac.im.pwr.wroc.pl/˜zagdan
ePortal PWr: listy zadań, prezentacje z wykładów,
przykładowe skrypty, wysyłanie/oceny sprawozdań, zadań
teoretycznych itp.,
konsultacje: w formie stacjonarnej lub zdalnej, w terminach
podanych na mojej stronie www.

Wprowadzenie
Zasady zaliczenia
Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

są maksymalnie 4 nieusprawiedliwione nieobecności.
W ciągu semestru do wykonania będą sprawozdania z zadań
laboratoryjnych (planowane są cztery listy zadań). Na
poszczególnych listach będą zawarte również zadania
teoretyczne. Ogłoszona będzie także lista tematów do
zreferowania na zajęciach.
Punktacja (w ujęciu %)
4 przedłożone w terminie sprawozdania – maksymalnie 70%,
zadania teoretyczne – maksymalnie 15%,
referat – maksymalnie 15%.
Sprawozdania można pisać w grupach dwuosobowych lub
samodzielnie. Raz ustalona grupa nie może ulec zmianie.

Wprowadzenie
Zasady zaliczenia


Wprowadzenie
Zasady zaliczenia


Wprowadzenie
Zasady zaliczenia


Wprowadzenie
Zasady zaliczenia


Wprowadzenie
Zasady zaliczenia cd.
Zadania teoretyczne powinny być natomiast przygotowywane

samodzielnie.
Referaty mogą być wygłoszone samodzielnie lub w grupach
(maksymalna liczba referujących zależy od danego tematu).
Ocena pozytywna z laboratorium może być zaproponowana
jako ocena końcowa z kursu.
Dla osób, które będą chciały poprawiać zaproponowaną ocenę
pozytywną będzie zorganizowane kolokwium zaliczeniowe z
całości kursu w czasie sesji egzaminacyjnej.

Wprowadzenie

samodzielnie.

Wprowadzenie

samodzielnie.

Wprowadzenie

samodzielnie.

Wprowadzenie

samodzielnie.

Wprowadzenie
Wstępny plan wykładów I
1 Wprowadzenie do analizy szeregów czasowych. Główne cele,

zastosowania i przykłady.
2 Stacjonarne szeregi czasowe. Funkcje autokowariancji i
autokorelacji oraz ich estymatory.
3 Opis testów weryfikujących hipotezę, że szereg czasowy jest
białym szumem.
4 Transformacje szeregów czasowych. Metody estymacji i
eliminacji trendu wielomianowego oraz trendu okresowego z
zastosowaniem operatorów różnicowania. Estymacja trendu
będącego liniową kombinacją funkcji bazowych – model
liniowy.

Wprowadzenie
Wstępny plan wykładów II

5 Metody wygładzania w estymacji trendu. Wygładzanie
eksponencjalne. Metody dekompozycji szeregów czasowych.
Nieparametryczna, jądrowa estymacja trendu.
6 Modele liniowe MA(q), AR(p), ARMA(p,q). Przyczynowość i
odwracalność stacjonarnych modeli ARMA.
7 Metody estymacji parametrów modelu AR(p), ARMA(p,q).
Ocena poprawności dopasowania modelu (diagnostyka).
8 Funkcja cząstkowej autokorelacji szeregu czasowego (PACF) i
jej własności.
9 Predykcja szeregów czasowych. Konstrukcja prognoz
punktowych i przedziałowych.
10 Estymacja rzędu modelu autoregresji. Metoda FPE. Metody
doboru rzędu modelu dla modeli ARMA. Kryterium AIC i BIC.
Wprowadzenie
Wstępny plan wykładów III
11 Modele ARIMA(p,d,q). Estymacja parametrów, wybór modelu

i diagnostyka.
12 Wprowadzenie do modeli warunkowo heteroskedastycznych.
Modele ARCH(p) i GARCH(p,q).
13 Wprowadzenie do analizy szeregów czasowych w domenie
częstotliwościowej. Periodogram – własności i zastosowania.

Wprowadzenie
Zalecana literatura
Literatura podstawowa
1) Brockwell P., Davis R., Introduction to Time Series and Forecasting.
Springer, 2nd edition, 2010.
2) Chatfield M. B., The Analysis of Time Series: An Introduction. Taylor
Francis Inc, 2003.
3) Hyndman, R.J., Athanasopoulos, G., Forecasting: principles and practice,
2nd edition. http://otexts.org/fpp2/, 2018.
4) Shumway R. H., Stoffer D. S., Time Series Analysis and its Applications
With R Examples. Springer, 3rd edition, 2011.
5) Zagdański A., Suchwałko A., Analiza i prognozowanie szeregów
czasowych. Praktyczne wprowadzenie na podstawie środowiska R. PWN,
2015.
Literatura uzupełniająca
W czasie wykładu będą przekazywane Państwu informacje dotyczące
dodatkowych artykułów do lektury i zreferowania.
Wprowadzenie
Podziękowania
prof. Roman Różański

(współautor i współprowadzący poprzednie edycje kursu
ASzCz)
Peter Brockwell & Richard Davis
(przykłady i inne materiały z książki: Introduction to Time
Series and Forecasting)
Rob Hyndman & George Athanasopoulos
(przykłady i inne materiały z książki: Forecasting: principles
and practice).

Sprawy organizacyjne Przykłady szeregów
Wprowadzenie Typowe oznaczenia
Proste modele szeregów czasowych Główne zadania analizy szeregów czasowych
Modele stacjonarne szeregów czasowych Etapy w analizie szeregu czasowego
Czym jest szereg czasowy?
Szeregiem czasowym (ang. time series) nazywamy zbiór

obserwacji {xt , t ∈ T0 }, z których każda jest zarejestrowana w
określonym czasie t ∈ T0 , gdzie T0 jest ustalonym zbiorem
chwil (punktów czasowych).
Rozważamy wyłącznie dyskretne szeregi czasowe, tzn.
zakładamy, że T0 jest zbiorem dyskretnym.
Najczęściej będziemy przyjmowali, że kolejne obserwacje są
zarejestrowane w regularnych odstępach czasu, np. kolejnych
dniach, miesiącach lub kwartałach.





Przykłady szeregów czasowych
szereg A: miesięczna liczba pasażerów linii lotniczych (w tysiącach) w USA,

w latach 2002–2014,
szereg B: kwartalne wartości produktu krajowego brutto (PKB) w Polsce,
zarejestrowane w okresie 1995–2014,
szereg C: kwartalna wielkość produkcji samochodów osobowych w UK w okresie
1997:1–2005:1,
szereg D: miesięczne, średnie ceny 1 litra benzyny w Polsce w okresie: 2006–2014,
szereg E: rentowność 10-letnich obligacji skarbowych USA, dane miesięczne
w okresie: styczeń 1994 – maj 2004,
szereg F: miesięczne kursy zamknięcia indeksu Dow Jones w okresie: styczeń 1990
– marzec 2007,
szereg G: populacja USA (w milionach) w okresie 1790–1970, dane 10-letnie,
szereg H: roczne liczby plam słonecznych w latach 1700–1988.

Przykłady szeregów czasowych

A B C D
500
70000
4e+05
450
5.5
65000
400
5.0
3e+05
60000
350
benzyna
AirPass
ukcars
pkb
4.5
55000
300
2e+05
250
50000
4.0
200
1e+05
45000
3.5
2002 2006 2010 2014 1995 2000 2005 2010 2015 1980 1985 1990 1995 2000 2005 2006 2008 2010 2012 2014
rok rok rok rok
E F G H
200
12000
8
150
10000
7
150
sunspot.year
dji[, "Close"]
8000
6
100
bonds
uspop
100
6000
5
50
50
4000
4
0
0
1994 1996 1998 2000 2002 2004 1990 1995 2000 2005 1800 1850 1900 1950 1700 1800 1900
rok rok rok rok

Własności szeregów czasowych
W podanych przykładach szeregów możemy zauważyć duże

zróżnicowanie pod względem występujących regularności.
Mamy szeregi, w których obecna jest wyraźna tendencja
długoterminowa (trend) oraz takie, w przypadku których
łatwo można dostrzec zachowania okresowe (sezonowe).
Kolejne obserwacje szeregu czasowego charakteryzują się
zatem nieprzypadkowym porządkiem i wykazują najczęściej
istotną zależność (korelację).
Badanie charakteru i siły tej zależności jest podstawowym
zadaniem analizy szeregów czasowych.
Zależność pomiędzy obserwacjami jest często wykorzystywana
do prognozowania przyszłych wartości szeregu.











Typowe oznaczenia
Dla szeregów czasowych stosowane są zwykle oznaczenia:

Xt , Yt lub Zt , w których argument t oznacza czas (ang. time)
i należy do ustalonego zbioru chwil (punktów czasowych).
Najczęściej zakładamy, że t ∈ N lub t ∈ Z.
Często zamiast operowania rzeczywistą skalą czasową (daty
kalendarzowe), obserwacje indeksuje się kolejnymi liczbami
naturalnymi.
Dla przykładu szereg zawierający dane miesięczne dla
kolejnych 12 lat (łącznie 144 obserwacje) zapisujemy dla
uproszczenia jako X1 , X2 , . . . , X144 .

Typowe oznaczenia

naturalnymi.

Typowe oznaczenia

naturalnymi.

Typowe oznaczenia

naturalnymi.

Przykładów zastosowania analizy szeregów czasowych
Prognozowanie wielkości sprzedaży lub popytu na określony

produkt/ surowiec w kolejnych okresach.
Prognozy wartości wskaźników makroekonomicznych (np. inflacji
lub PKB) w kolejnych kwartałach.
Analiza sytuacji na rynku pracy (w szczególności analiza tendencji
dotyczących bezrobocia i zatrudnienia, w różnych grupach
wiekowych).
Prognozowanie wartości akcji danej spółki, cen surowców, kursów
walutowych itp. w kolejnych okresach.
Przewidywanie zmian cen danego produktu (np. paliw) w kolejnych
miesiącach.
Analiza zmian demograficznych, socjologicznych, klimatycznych i
ich wpływu na koniunkturę w określonej gałęzi przemysłu.

wiekowych).
miesiącach.

wiekowych).
miesiącach.

wiekowych).
miesiącach.

wiekowych).
miesiącach.

wiekowych).
miesiącach.

wiekowych).
miesiącach.
Dwa główne zadania analizy szeregów czasowych
1 Dekompozycja szeregu czasowego (identyfikacja

regularnych tendencji).
2 Prognozowanie.
Uwaga (Regularne składowe szeregu czasowego)

Regularne tendencje to przede wszystkim:
trend – długoterminowa tendencja rozwojowa, np. wzrostowa
lub spadkowa,
sezonowość — cykliczne wahania wartości szeregu wokół
tendencji rozwojowej, związane najczęściej z danym miesiącem
roku, porami wakacji lub zmianami pogody.


2 Prognozowanie.

lub spadkowa,


2 Prognozowanie.

lub spadkowa,


Przykład: miesięczna stopa bezrobocia rejestrowanego w Polsce (w %) w okresie: styczeń
2000 - wrzesień 2014 (źródło: GUS)
21
18
bezrobocie
15
12
2000 2005 2010 2015

Time
Rysunek: Dane ’bezrobocie’


Przykład: miesięczna stopa bezrobocia rejestrowanego w Polsce (w %) w okresie: styczeń
2000 - wrzesień 2014 (źródło: GUS)
Decomposition of additive time series Forecasts from ETS(M,Ad,A)

21
18
20
data
15
12
9
20.0
17.5
trend
15.0
15
12.5
bezrobocie
10.0
0.5
seasonal
0.0
−0.5 10
0.5
remainder
0.0
−0.5
2000 2005 2010 2015 2000 2005 2010 2015

Time Time
a) dekompozycja b) prognozowanie

Analiza szeregu czasowego jest zazwyczaj procesem

wieloetapowym.
Niektóre etapy są opcjonalne i mogą być ściśle związane ze
specyfiką danych (np. sposobem rejestrowania danych,
występującymi regularnościami itp).
Większość metod i modeli stosowanych w analizie szeregów
występuje zazwyczaj w wielu wariantach lub wymaga wybrania
adekwatnych parametrów.


wieloetapowym.


wieloetapowym.


wieloetapowym.

Rysunek: Typowe etapy w analizie szeregu czasowego

Wprowadzenie
Modelowanie szeregów czasowych
Istotnym zadaniem w analizie szeregu czasowego jest wybór

odpowiedniego modelu (lub klasy modeli) dla danych.
Aby uwzględnić losową naturę przyszłych obserwacji naturalne
jest przyjęcie założenia, że każda obserwacja xt jest realizacją
pewnej zmiennej losowej Xt .
Szereg czasowy {xt : t ∈ T0 } jest wówczas realizacją rodziny
zmiennych losowych {Xt , t ∈ T0 }.
Możemy teraz sformułować ogólną definicję...

Wprowadzenie


Wprowadzenie


Wprowadzenie


Wprowadzenie


Wprowadzenie


Wprowadzenie
Definicja (Model szeregu czasowego)

W ogólności, modelowanie szeregu czasowego na podstawie
obserwowanych danych {xt } sprowadza się do określenia rozkładów
łącznych (ewentualnie tylko odpowiednich średnich i kowariancji)
dla ciągu zmiennych losowych {Xt }, których realizacją jest {xt }.
Uwaga
Często określenie szereg czasowy jest używane zarówno na
oznaczenie danych, jak i samego procesu (modelu), którego jest on
realizacją.

Wprowadzenie

Uwaga
realizacją.

Wprowadzenie

Uwaga
realizacją.

Wprowadzenie

Własności drugiego rzędu
Kompletny model probabilistyczny szeregu czasowego dla ciągu

zmiennych losowych {X1 , X2 , . . .} powinien określać wszystkie
rozkłady łączne wektorów losowych (X1 , . . . , Xn ), n = 1, 2, . . . lub
równoważnie p-stwa P(X1 ≤ x1 , . . . , Xn ≤ xn ), gdzie
−∞ < x1 , . . . , xn < ∞ oraz n = 1, 2, . . ..
Taka specyfikacja jest jednak rzadko używana w analizie szeregów
czasowych, ponieważ w ogólności konieczna byłaby estymacja
bardzo dużej liczby parametrów na podstawie dostępnych danych.
Zamiast tego określamy zazwyczaj jedynie momenty pierwszego i
drugiego rzędu, tzn. EXt oraz E (Xt+h Xt ) , t = 1, 2, . . . ,
h = 0, 1, 2, . . ., skupiając się na własnościach ciągu {Xt }, które od
tych momentów zależą.
Terminologia: Takie własności szeregu {Xt } nazywane są w
literaturze własnościami drugiego rzędu.
Wprowadzenie


−∞ < x1 , . . . , xn < ∞ oraz n = 1, 2, . . ..
Wprowadzenie


−∞ < x1 , . . . , xn < ∞ oraz n = 1, 2, . . ..
Wprowadzenie


−∞ < x1 , . . . , xn < ∞ oraz n = 1, 2, . . ..
Wprowadzenie


−∞ < x1 , . . . , xn < ∞ oraz n = 1, 2, . . ..
Wprowadzenie

W szczególnym przypadku, kiedy wszystkie rozkłady łączne są

wielowymiarowymi rozkładami normalnymi, własności
drugiego rzędu szeregu {Xt } całkowicie określają rozkłady
łączne (⇒ otrzymujemy kompletną charakteryzację
stochastyczną).
W ogólności oczywiście tracimy pewną ilość informacji
ograniczając się jedynie do własności drugiego rzędu
analizowanego szeregu.
Dodatkową motywację przynosi teoria prognozy.
W przyszłości pokażemy między innymi, że konstrukcja i
własności optymalnego liniowego predyktora
średniokwadratowego zależą jedynie od własności drugiego
rzędu rozważanego szeregu czasowego.
Wprowadzenie


stochastyczną).
Wprowadzenie


stochastyczną).
Wprowadzenie


stochastyczną).
Wprowadzenie


stochastyczną).
Wprowadzenie
Przykłady prostych modeli szeregów o średniej zero
Przykład 1: Szum iid

Prawdopodobnie najprostszy model szeregu czasowego.
Zakładamy, że kolejne obserwacje X1 , X2 , . . . są zmiennymi
niezależnymi o jednakowym rozkładzie (iid) o średniej zero.
Możemy zapisać
P(X1 ≤ x1 , . . . , Xn ≤ xn ) = P(X1 ≤ x1 ) · · · P(Xn ≤ xn )

= F (x1 ) · · · F (xn ),
gdzie F (·) oznacza dystrybuantę rozkładu każdej z

niezależnych zmiennych Xt .

Wprowadzenie

Możemy zapisać

= F (x1 ) · · · F (xn ),


Wprowadzenie

Możemy zapisać

= F (x1 ) · · · F (xn ),


Wprowadzenie

Możemy zapisać

= F (x1 ) · · · F (xn ),


Wprowadzenie
Przykład 1 cd.: Szum iid

Przyklad 1: Szum iid
2
X
−2
0 20 40 60 80 100
czas (t)
Rysunek: Przykładowa realizacja dla Xt ∼ N(0, 1).

Wprowadzenie

W tym modelu nie mamy zależności między obserwacjami. W
szczególności, dla dowolnego h ≥ 1 i dowolnych x, x1 , . . . , xn ,
mamy
P(Xn+h ≤ x|X1 ≤ x1 , . . . , Xn ≤ xn ) = P(Xn+h ≤ x),
co oznacza, że znajomość X1 , . . . , Xn nie mam wpływu na

prognozowanie zachowania Xn+h .
Szum iid nie jest zatem szczególnie użytecznym modelem z
punktu widzenia prognozowania, ale odgrywa kluczową rolę
jako element bazowy bardziej skomplikowanych modeli
szeregów czasowych.

Wprowadzenie

mamy


Wprowadzenie

mamy


Wprowadzenie
Przykład 2: Proces binarny

Jako szczególny przypadek szumu iid możemy rozważyć ciąg
niezależnych zmiennych losowych {Xt , t = 1, 2, . . . , } o
jednakowym rozkładzie
P(Xt = 1) = p, P(Xt = −1) = 1 − p,
gdzie p = 1/2.

Wprowadzenie
Przykład 2: Proces binarny

Jako szczególny przypadek szumu iid możemy rozważyć ciąg
niezależnych zmiennych losowych {Xt , t = 1, 2, . . . , } o
jednakowym rozkładzie
P(Xt = 1) = p, P(Xt = −1) = 1 − p,
gdzie p = 1/2.

Wprowadzenie
Przykład 2 cd.: Proces binarny

Przyklad 2: proces binarny
1.0
0.5
X
0.0
−0.5
−1.0
0 5 10 15 20 25 30
czas (t)
Rysunek: Przykładowa realizacja

Wprowadzenie

Przykład 3: Błądzenie losowe (ang. random walk)
Błądzenie losowe {St , t = 0, 1, 2, . . .} (startujące w zerze)
otrzymujemy wyznaczając skumulowane sumy zmiennych losowych
iid.
Formalnie, błądzenie losowe o średniej zero możemy zdefiniować
następująco:
S0 = 0
oraz
St = X1 + X2 + . . . + Xt , dla t = 1, 2, . . . ,
gdzie {Xt } jest szumem iid.
Równoważnie: St = St−1 + Xt .
Łatwo widać, że wariancja rośnie wraz z czasem (tzn. VarSt = tσ 2 ,
gdzie σ 2 = Var (Xt )).
Wprowadzenie

iid.
następująco:
S0 = 0
oraz
St = X1 + X2 + . . . + Xt , dla t = 1, 2, . . . ,
Wprowadzenie

iid.
następująco:
S0 = 0
oraz
St = X1 + X2 + . . . + Xt , dla t = 1, 2, . . . ,
Wprowadzenie

iid.
następująco:
S0 = 0
oraz
St = X1 + X2 + . . . + Xt , dla t = 1, 2, . . . ,
Wprowadzenie

iid.
następująco:
S0 = 0
oraz
St = X1 + X2 + . . . + Xt , dla t = 1, 2, . . . ,
Wprowadzenie
Przykład 3 cd.: Błądzenie losowe

Przyklad 3: bladzenie losowe
10
5
X
−5
0 20 40 60 80 100
czas (t)
Rysunek: Przykładowa realizacja dla Xt ∼ N(0, 1)

Wprowadzenie
Przykład modelu uwzględniającego trend
W przypadku wielu spotykanych w praktyce szeregów

czasowych założenie, że średnia jest równa zeru lub ogólnie,
że jest stała (EXt = µ) nie jest spełnione.
Często mamy do czynienia z występowaniem składowej
trendu, czyli zazwyczaj wolno zmieniającej się funkcji m(t)
reprezentującej ogólną tendencję rozwojową danego zjawiska.

Wprowadzenie


Wprowadzenie


Wprowadzenie
Przykład 4: Model z trendem wielomianowym

Przyjmujemy model postaci
Xt = mt + Yt ,
gdzie
mt jest trendem wielomianowym postaci
mt = a0 + a1 t + a2 t 2 + . . . + ap t p (np. trend liniowy:
mt = a0 + a1 t, trend kwadratowy: mt = a0 + a1 t + a2 t 2 ),
Yt jest szeregiem o średniej zero.

Wprowadzenie
Przykład 4: Model z trendem wielomianowym

Przyjmujemy model postaci
Xt = mt + Yt ,
gdzie
mt jest trendem wielomianowym postaci
mt = a0 + a1 t + a2 t 2 + . . . + ap t p (np. trend liniowy:
mt = a0 + a1 t, trend kwadratowy: mt = a0 + a1 t + a2 t 2 ),
Yt jest szeregiem o średniej zero.

Wprowadzenie
Przykład 4a): Model z trendem liniowym

Przyklad 4a): model z trendem liniowym
25
20
15
series
X
X
10
trend
0 50 100 150 200

czas (t)

Wprowadzenie
Przykład 4b): Model z trendem kwadratowym

Przyklad 4b): model z trendem kwadratowym
400
300
200 series
X
X
trend
100
0 50 100 150 200

czas (t)

Wprowadzenie
Przykłady prostych modeli uwzględniających trend
Przykład 5: Błądzenie losowe z dryfem

Standardowy model błądzenia losowego można rozszerzyć o
dodatkowy parametr δ, nazywany dryfem (ang. drift).
Formalnie:
St = δ + St−1 + Xt , dla t = 1, 2, . . . ,

Równoważnie: St = tδ + ti=1 Xi .
P
Łatwo widać, że zarówno średnia, jak i wariancja rosną wraz z

czasem (ESt = tδ oraz VarSt = tσ 2 ).

Wprowadzenie

Formalnie:
St = δ + St−1 + Xt , dla t = 1, 2, . . . ,

P


Wprowadzenie

Formalnie:
St = δ + St−1 + Xt , dla t = 1, 2, . . . ,

P


Wprowadzenie

Formalnie:
St = δ + St−1 + Xt , dla t = 1, 2, . . . ,

P


Wprowadzenie

Formalnie:
St = δ + St−1 + Xt , dla t = 1, 2, . . . ,

P


Wprowadzenie
Przykład 5): Błądzenie losowe z dryfem

Przyklad 5: bladzenie losowe z dryfem
100
75
series
X
50
trend
25
0 50 100 150 200

czas (t)

Wprowadzenie Funkcje średniej, kowariancji i autokowariancji
Proste modele szeregów czasowych Funkcja autokorelacji
Stacjonarne szeregi czasowe
Nieformalnie: szereg czasowy {Xt , t = 0, ±1, . . .} jest

nazywany szeregiem stacjonarnym jeżeli jego własności
statystyczne są podobne do własności „szeregu przesuniętego
w czasie” tzn. {Xt+h , t = 0, ±1, . . . , }, dla dowolnej liczby
całkowitej h nazywanej opóźnieniem czasowym (ang. lag).
Własność stacjonarności odgrywa kluczową rolę w przypadku
konstrukcji prognoz – wyznaczenie prognoz dla kolejnych
okresów jest dużo łatwiejsze w przypadku, gdy podstawowe
własności szeregu nie zmieniają się w czasie.
Ograniczając się do własności, które zależą tylko od
momentów pierwszego i drugiego rzędu szeregu {Xt }, pojęcie
stacjonarnego szeregu czasowego możemy sformalizować.
Wprowadźmy niezbędne definicje...





Funkcja średniej i kowariancji
Definicja (Funkcja średniej szeregu czasowego)

Niech {Xt } będzie szeregiem czasowym drugiego rzędu, tzn.
szeregiem, dla którego E (Xt2 ) < ∞. Funkcję średniej szeregu
czasowego {Xt } definiujemy jako
µX (t) = E (Xt ).
Definicja (Funkcja kowariancji szeregu czasowego)

szeregiem, dla którego E (Xt2 ) < ∞. Funkcję kowariancji szeregu
γX (r , s) = Cov (Xr , Xs ) = E (Xr − µX (r ))(Xs − µX (s))



µX (t) = E (Xt ).




µX (t) = E (Xt ).



Definicja (Szereg stacjonarny)
Szereg {Xt t ∈ Z}, gdzie Z = {0, ±1, ±2, . . .}, będziemy nazywali
szeregiem stacjonarnym jeżeli dla dowolnych t, r , s ∈ Z
(i) EXt2 < ∞,
(ii) µX (t) = EXt = µ = const (nie zależy od t),
(iii) γX (r , s) = γX (r + t, s + t) (funkcja kowariancji zależy tylko
od odstępu czasowego r − s).
Uwaga
Powyższa definicja stacjonarności jest nazywana w literaturze
także: słabą stacjonarnością, stacjonarnością w szerszym sensie,
stacjonarnością w sensie kowariancyjnym lub stacjonarnością
drugiego rzędu.

(i) EXt2 < ∞,
Uwaga
drugiego rzędu.

(i) EXt2 < ∞,
Uwaga
drugiego rzędu.
Szereg stacjonarny
Uwagi do definicji
Uwaga 1 (Funkcja autokowariancji szeregu stacjonarnego)

Jeżeli {Xt , t ∈ Z} jest szeregiem stacjonarnym, wówczas
γX (r , s) = γX (r − s, 0) dla dowolnych r , s ∈ Z.
Wygodnie jest przedefiniować funkcję kowariancji
stacjonarnego proces jako funkcję tylko jednej zmiennej :
γX (h) ≡ γX (h, 0) = Cov (Xt+h , Xt ), dla dowolnych t, h ∈ Z.
Funkcję γX (·) będziemy nazywali funkcją autokowariancji

szeregu czasowego, a γX (h) będzie oznaczać wartość tej
funkcji dla opóźnienia czasowego (ang. lag) h.
Łatwo zauważyć, że funkcja autokowariancji jest funkcją
parzystą tzn. γX (h) = γX (−h).
Szereg stacjonarny
Uwagi do definicji


Szereg stacjonarny
Uwagi do definicji


Szereg stacjonarny
Uwagi do definicji


Szereg stacjonarny
Uwagi do definicji
Uwaga 2 (Wariancja szeregu stacjonarnego)

Bezpośrednio z definicji wynika również, że wariancja szeregu
stacjonarnego jest stała, tzn.
σX2 (t) ≡ Var (Xt ) = γX (t, t) = γX (0) = σ 2 = const.
Widzimy więc, że podstawowe własności szeregu czasowego

stacjonarnego (tzn. średni poziom, wariancja czy korelacja
czasowa) nie zmieniają się w czasie.

Szereg stacjonarny
Uwagi do definicji
Uwaga 2 (Wariancja szeregu stacjonarnego)

Bezpośrednio z definicji wynika również, że wariancja szeregu
stacjonarnego jest stała, tzn.
σX2 (t) ≡ Var (Xt ) = γX (t, t) = γX (0) = σ 2 = const.
Widzimy więc, że podstawowe własności szeregu czasowego

stacjonarnego (tzn. średni poziom, wariancja czy korelacja
czasowa) nie zmieniają się w czasie.

Szereg stacjonarny
Uwagi do definicji
Uwaga 3 (Stacjonarność w ścisłym sensie)

Alternatywną i mocniejszą własnością od słabej stacjonarności
jest tzw. stacjonarność w ścisłym sensie.
Definicja (Stacjonarność w ścisłym sensie)

Szereg czasowy {Xt , t ∈ Z} jest nazywany szeregiem ściśle
stacjonarnym jeżeli dla dowolnych t1 , . . . , tk , h ∈ Z
d
(Xt1 , . . . , Xtk ) = (Xt1 +h , . . . , Xtk +h ).

Szereg stacjonarny
Uwagi do definicji


d
(Xt1 , . . . , Xtk ) = (Xt1 +h , . . . , Xtk +h ).

Szereg stacjonarny
Uwagi do definicji


d
(Xt1 , . . . , Xtk ) = (Xt1 +h , . . . , Xtk +h ).

Szereg stacjonarny
Uwagi do definicji
Uwaga 3 cd. (Stacjonarność w ścisłym sensie)

Równoważna definicja ścisłej stacjonarności: dla dowolnego
opóźnienia h i dowolnego całkowitego k > 0 równość zachodzi
rozkładów
d
(X1 , . . . , Xk ) = (X1+h , . . . , Xk+h ).
Stacjonarność w ścisłym sensie jest oczywiście mniej ogólnym

pojęciem niż słaba stacjonarność.
Można łatwo wykazać, że jeżeli {Xt } jest szeregiem ściśle
stacjonarnym i EXt2 < ∞ dla dowolnego t, wówczas {Xt } jest
również słabo stacjonarny.

Szereg stacjonarny
Uwagi do definicji

rozkładów
d
(X1 , . . . , Xk ) = (X1+h , . . . , Xk+h ).


Szereg stacjonarny
Uwagi do definicji

rozkładów
d
(X1 , . . . , Xk ) = (X1+h , . . . , Xk+h ).


Szereg stacjonarny
Uwagi do definicji

W ogólności szereg stacjonarny nie musi być jednak szeregiem
ściśle stacjonarnym.
Przykład: Niech {Xt } będzie ciągiem niezależnych zmiennych
losowych, takim że Xt ∼ Exp(1), gdy t jest nieparzyste i
Xt ∼ N(1, 1), gdy t jest parzyste. Wówczas {Xt } jest
szeregiem stacjonarnym, dla którego γX (0) = 1 i γX (h) = 0
dla h 6= 0. Z drugiej strony, ponieważ X1 i X2 mają różne
rozkłady, {Xt } nie może być szeregiem ściśle stacjonarnym.

Szereg stacjonarny
Uwagi do definicji

W ogólności szereg stacjonarny nie musi być jednak szeregiem
ściśle stacjonarnym.
Przykład: Niech {Xt } będzie ciągiem niezależnych zmiennych
losowych, takim że Xt ∼ Exp(1), gdy t jest nieparzyste i
Xt ∼ N(1, 1), gdy t jest parzyste. Wówczas {Xt } jest
szeregiem stacjonarnym, dla którego γX (0) = 1 i γX (h) = 0
dla h 6= 0. Z drugiej strony, ponieważ X1 i X2 mają różne
rozkłady, {Xt } nie może być szeregiem ściśle stacjonarnym.

Szereg stacjonarny
Uwagi do definicji

Ważnym przypadkiem, dla którego słaba stacjonarność
implikuje ścisłą stacjonarność są gaussowskie szeregi czasowe.
Def.: Proces {Xt } jest gaussowskim szeregiem czasowym
wtedy i tylko wtedy, gdy rozkłady łączne {Xt } są
wielowymiarowymi rozkładami normalnymi.
Jeżeli {Xt , t ∈ Z} jest (słabo) stacjonarnym procesem
gaussowskim, wówczas {Xt } jest także szeregiem ściśle
stacjonarnym, ponieważ dla dowolnych n ∈ N oraz dowolnych
h, t1 , t2 , . . . , tn ∈ Z, wektory losowe (Xt1 , . . . , Xtn ) i
(Xt1 +h , . . . , Xtn +h ) mają takie same średnie i macierze
kowariancji, a więc takie same rozkłady.
Szereg stacjonarny
Uwagi do definicji

Szereg stacjonarny
Uwagi do definicji

Szereg (słabo) stacjonarny

Aby opisać strukturę zależności w szeregu czasowym

wygodniejsze może być wykorzystanie funkcji autokorelacji
ρX (·) (ACF) zamiast funkcji autokowariancji γX (·).
Definicja (Funkcja autokorelacji szeregu czasowego (ACF))

Niech {Xt } będzie stacjonarnym szeregiem czasowym. Funkcję
autokorelacji (ang. autocorrelation function, ACF) szeregu
czasowego {Xt } dla opóźnienia czasowego h definiujemy jako
γX (h) γX (h)
ρX (h) = = = Cor (Xt+h , Xt ).
γX (0) σX2




γX (h) γX (h)
ρX (h) = = = Cor (Xt+h , Xt ).
γX (0) σX2




γX (h) γX (h)
ρX (h) = = = Cor (Xt+h , Xt ).
γX (0) σX2

Dziękuję za uwagę!

Wprowadzenie Do Analizy Szeregów Czasowych: Stacjonarne Szeregi Czasowe I Ich Własności

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Wprowadzenie Do Analizy Szeregów Czasowych: Stacjonarne Szeregi Czasowe I Ich Własności

Uploaded by

Copyright:

Available Formats

Wprowadzenie do analizy szeregów czasowych

Stacjonarne szeregi czasowe i ich własności

3 Proste modele szeregów czasowych

4 Modele stacjonarne szeregów czasowych

Wprowadzenie do analizy szeregów czasowych 2/49

biuro: p.4.6 (C-19)

Wprowadzenie do analizy szeregów czasowych 3/49

Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

Wprowadzenie do analizy szeregów czasowych 4/49

Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

Wprowadzenie do analizy szeregów czasowych 4/49

Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

Wprowadzenie do analizy szeregów czasowych 4/49

Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

Wprowadzenie do analizy szeregów czasowych 4/49

Obecność na laboratoriach jest obowiązkowa. Dopuszczalne

Wprowadzenie do analizy szeregów czasowych 4/49

Zasady zaliczenia cd.

Zadania teoretyczne powinny być natomiast przygotowywane

Wprowadzenie do analizy szeregów czasowych 5/49

Zasady zaliczenia cd.

Zadania teoretyczne powinny być natomiast przygotowywane

Wprowadzenie do analizy szeregów czasowych 5/49

Zasady zaliczenia cd.

Zadania teoretyczne powinny być natomiast przygotowywane

Wprowadzenie do analizy szeregów czasowych 5/49

Zasady zaliczenia cd.

Zadania teoretyczne powinny być natomiast przygotowywane

Wprowadzenie do analizy szeregów czasowych 5/49

Zasady zaliczenia cd.

Zadania teoretyczne powinny być natomiast przygotowywane

Wprowadzenie do analizy szeregów czasowych 5/49

Wstępny plan wykładów I

1 Wprowadzenie do analizy szeregów czasowych. Główne cele,

Wprowadzenie do analizy szeregów czasowych 6/49

Wstępny plan wykładów II

Wstępny plan wykładów III

11 Modele ARIMA(p,d,q). Estymacja parametrów, wybór modelu

Wprowadzenie do analizy szeregów czasowych 8/49

prof. Roman Różański

Wprowadzenie do analizy szeregów czasowych 10/49

Czym jest szereg czasowy?

Szeregiem czasowym (ang. time series) nazywamy zbiór

Wprowadzenie do analizy szeregów czasowych 11/49

Czym jest szereg czasowy?

Szeregiem czasowym (ang. time series) nazywamy zbiór

Wprowadzenie do analizy szeregów czasowych 11/49

Czym jest szereg czasowy?

Szeregiem czasowym (ang. time series) nazywamy zbiór

Wprowadzenie do analizy szeregów czasowych 11/49

Przykłady szeregów czasowych

szereg A: miesięczna liczba pasażerów linii lotniczych (w tysiącach) w USA,

Wprowadzenie do analizy szeregów czasowych 12/49

Przykłady szeregów czasowych

rok rok rok rok

rok rok rok rok

Wprowadzenie do analizy szeregów czasowych 13/49

Własności szeregów czasowych

W podanych przykładach szeregów możemy zauważyć duże

Wprowadzenie do analizy szeregów czasowych 14/49

Własności szeregów czasowych

W podanych przykładach szeregów możemy zauważyć duże

Wprowadzenie do analizy szeregów czasowych 14/49