ARモデル[時系列分析]

データサイエンス




AR過程

AR過程(ARモデル)のARは、AutoRegressiveの略で、日本語に訳すと自己回帰です。

このモデルは、自身の過去に回帰されたモデルで表現される。

1次ARモデルは、AR(1)と書かれ、次の式で表す。
$$
y_t = c + \phi_1y_{t-1} + \epsilon_t \\
\epsilon_t ~ W.N.(\sigma^2)
$$

AR(p)の性質

  1. 期待値
  2. 分散
  3. 自己相関
  4. 偏自己相関

期待値

$$
\begin{align}
\mu &= E(y_t) \\
&= \frac{c}{1 – \phi_1 – \phi_2 – \cdots – \phi_p}
\end{align}
$$

分散

$$
\begin{align}
\gamma_0 &= Var(y_t) \\
&= \frac{\sigma^2}{1 – \phi_1\rho_1 – \phi_2\rho_2 – \cdots – \phi_p\rho_p}
\end{align}
$$

自己共分散

p次の差分方程式
主に自己相関に対して、ユール・ウォーカー方程式と呼ぶが、自己共分散においても同様に呼ぶ場合もある。

$$
\gamma_k = \phi_1\gamma_{k-1}+\phi_2\gamma_{k-2}+\cdots+\phi_p\gamma_{k-p}
$$

自己相関

p次の差分方程式
ユール・ウォーカー方程式
AR過程の自己相関は指数的に減衰する。
$$
\rho_k = \phi_1\rho_{k-1}+\phi_2\rho_{k-2}+\cdots+\phi_p\rho_{k-p}
$$

偏自己相関

偏自己相関は、(p+1)次以降0になる。

パラメータ推定

工事中

参考

タイトルとURLをコピーしました