Đại diện không gian trạng thái của ARMA (p, q) từ Hamilton


11

Tôi đã đọc Hamilton Chương 13 và anh ta có đại diện không gian trạng thái sau cho một ARMA (p, q). Đặt Sau đó, quá trình ARMA (p, q) như sau: \ started {căn chỉnh} y_t - \ mu & = \ phi_1 (y_ {t-1} - \ mu) + \ phi_2 (y_ {t-2} - \ mu) + ... + \ phi_3 (y_ {t-3} - \ mu) \\ & + \ epsilon_t + \ theta_1 \ epsilon_ {t-1} +. .. + \ theta_ {r-1} \ epsilon_ {t-r + 1}. \ end {căn chỉnh} Sau đó, anh ta xác định Phương trình trạng thái như sau:r=max(p,q+1)

ytμ=ϕ1(yt1μ)+ϕ2(yt2μ)+...+ϕ3(yt3μ)+ϵt+θ1ϵt1+...+θr1ϵtr+1.

ξt+1=[ϕ1ϕ2ϕr1ϕr1000000010]ξt+[ϵt+100]

và phương trình quan sát như:

yt=μ+[1θ1θ2θr1]ξt.

Tôi không hiểu ξt là gì trong trường hợp này. Bởi vì trong đại diện AR (p) của anh ta, đó là [ytμyt1μytp+1μ] và trong đại diện MA (1) của mình, đó là [ϵtϵt1] .

Ai đó có thể giải thích điều này cho tôi tốt hơn một chút?

Câu trả lời:


10

Hamilton cho thấy đây là một đại diện chính xác trong cuốn sách, nhưng cách tiếp cận có vẻ hơi phản trực giác. Do đó, trước tiên hãy để tôi đưa ra một câu trả lời cấp cao thúc đẩy sự lựa chọn người mẫu của anh ấy và sau đó giải thích một chút về sự phát sinh của anh ấy.

Động lực :

Như đã rõ ràng từ việc đọc Chương 13, có nhiều cách để viết một mô hình động ở dạng không gian trạng thái. Do đó, chúng ta nên hỏi tại sao Hamilton chọn đại diện cụ thể này. Lý do là đại diện này giữ cho chiều của vectơ trạng thái thấp. Theo trực giác, bạn sẽ nghĩ (hoặc ít nhất là tôi sẽ) rằng vectơ trạng thái cho ARMA ( , ) cần ít nhất là kích thước . Rốt cuộc, chỉ từ việc quan sát nói , chúng ta không thể suy ra giá trị của . Tuy nhiên, ông cho thấy rằng chúng ta có thể định nghĩa biểu diễn không gian trạng thái một cách thông minh để lại vectơ trạng thái có kích thướcq p + q y t - 1 ε t - 1 r = max { p , q + 1 } p qpqp+qyt1ϵt1r=max{p,q+1}. Giữ nguyên chiều kích trạng thái có thể quan trọng đối với việc thực hiện tính toán, tôi đoán vậy. Hóa ra, đại diện không gian trạng thái của anh ta cũng đưa ra một cách giải thích hay về quy trình ARMA: trạng thái không quan sát được là AR ( ), trong khi phần MA ( ) phát sinh do lỗi đo lường.pq

Đạo hàm :

Bây giờ cho phái sinh. Lưu ý đầu tiên rằng, sử dụng ký hiệu toán tử lag, ARMA (p, q) được định nghĩa là: trong đó chúng tôi để cho và cho và chúng tôi bỏ qua vì ít nhất là . Vì vậy, tất cả những gì chúng ta cần chỉ ra là các phương trình trạng thái và quan sát của ông ngụ ý phương trình trên. Đặt vectơ trạng thái là Bây giờ hãy nhìn vào phương trình trạng thái. Bạn có thể kiểm tra các phương trình đếnφ j = 0 j > p θ j = 0 j > q θ r r q + 1

(1ϕ1LϕrLr)(ytμ)=(1+θ1L++θr1Lr1)ϵt
ϕj=0j>pθj=0j>qθrrq+1 2r ξ i , t ξ i - 1 , t + 1 ξ r , t t+1 ξ i , t + 1 ξ 1 , t + 1 = φ 1 ξ 1 ,
ξt={ξ1,t,ξ2,t,,ξr,t}
2rchỉ cần di chuyển các mục sang trước một khoảng thời gian và loại bỏ trong vectơ trạng thái tại . Do đó, phương trình đầu tiên, xác định là phương trình có liên quan. Viết ra: Vì phần tử thứ hai của là phần tử đầu tiên của và phần tử thứ ba của là phần tử đầu tiên củaξi,tξi1,t+1ξr,tt+1ξi,t+1ξ t ξ t - 1 ξ t ξ t - 2 (1- φ 1 L-...- φ r L r ) ξ 1 , t + 1 = ϵ t + 1 y t
ξ1,t+1=ϕ1ξ1,t+ϕ2ξ2,t++ϕrξr,t+ϵt+1
ξtξt1ξtξt2và v.v., chúng ta có thể viết lại phần này, sử dụng ký hiệu toán tử lag và di chuyển đa thức lag sang phía bên trái (phương trình 13.1.24 trong H.): Vì vậy, trạng thái ẩn tuân theo quy trình tự động. Tương tự, phương trình quan sát là hoặc Điều này không giống với ARMA cho đến nay, nhưng bây giờ đã xuất hiện phần hay: nhân phương trình cuối cùng với :
(1ϕ1LϕrLr)ξ1,t+1=ϵt+1
y t - μ = ( 1 + θ 1 L + ... + θ r - 1 L r - 1 ) ξ 1 , t ( 1 - φ 1 L -
yt=μ+ξ1,t+θ1ξ2,t++θr1ξr1,t
ytμ=(1+θ1L++θr1Lr1)ξ1,t
( 1 - φ 1 L - ... - φ r L r ) ( y t - μ ) = ( 1 + θ 1 L + ... + θ r - 1 L r - 1 ) ( 1 - φ 1 L - ... - φ r L r ) y(1ϕ1LϕrLr) ( 1 - φ 1 L - ... - φ r L r ) ξ 1 , t = ε t ( 1 - φ 1 L - ... - φ r L r ) ( y t - μ ) = ( 1 + θ 1 L + ... + θ r - 1 L r - 1 )
(1ϕ1LϕrLr)(ytμ)=(1+θ1L++θr1Lr1)(1ϕ1LϕrLr)yt
Nhưng từ phương trình trạng thái (bị trễ bởi một khoảng thời gian), chúng ta có ! Vì vậy, ở trên tương đương với chính xác là những gì chúng tôi cần thể hiện! Vì vậy, hệ thống quan sát trạng thái thể hiện chính xác ARMA (p, q). Tôi thực sự chỉ đang diễn giải Hamilton, nhưng tôi hy vọng rằng dù sao nó cũng hữu ích.(1ϕ1LϕrLr)ξ1,t=ϵt
(1ϕ1LϕrLr)(ytμ)=(1+θ1L++θr1Lr1)ϵt

Tôi không hoàn toàn bị bán trên sự giải thích của nhà nước, mặc dù. Khi bạn viết dòng đầu tiên của phương trình chuyển trạng thái, có vẻ như một phương trình mâu thuẫn với mô hình giả định. Ngoài ra tôi thấy lạ là bạn cho rằng dữ liệu được quan sát đồng thời bị ẩn / tiềm ẩn.
Taylor

Bạn nói đúng, trạng thái thực sự không giống . Cảm ơn đã chỉ ra điều này. Tôi đã sửa nó, nên ổn thôi. Btw, nói chung, chúng ta có thể đã quan sát các biến trong vectơ trạng thái, xem ví dụ AR (p). Ở đó, biến ẩn có thể được coi là giá trị của kỳ tiếp theo, . ytyt+1
Matthias Schmidtblomsher

Cảm ơn bạn! Nhưng tôi vẫn nhầm lẫn về những gì trong đại diện không gian trạng thái này. Ví dụ, định nghĩa của ông về trong phương trình 13.1.15 và 13.1,14 cho quá trình AR (p) và MA (1). Sự nhầm lẫn của tôi là, nếu tôi đặt điều này trong matlab, tôi sẽ nhận được những con số nào trong ? ξξξ
dleal

Điều khó hiểu ở đây là mô hình không gian trạng thái có liên quan đến trạng thái ẩn, trong khi với các quy trình ARMA, chúng tôi không nghĩ các biến là ẩn. Biểu diễn không gian trạng thái và các kỹ thuật Lọc (Kalman) được thúc đẩy bằng cách lọc ra trạng thái không quan sát được. Đối với các quy trình ARMA, chúng tôi chỉ sử dụng công thức của các mô hình không gian trạng thái để chúng tôi có thể ước tính các tham số bằng Bộ lọc Kalman. Vì vậy, chúng tôi phần nào tùy ý định nghĩa trạng thái ẩn trong 13.1.4 là quan sát của giai đoạn tiếp theo trong khi ở 13.1.22, trạng thái là một biến mới không xuất hiện trong mô hình ban đầu. yt+1
Matthias Schmidtblomsher

Để trả lời câu hỏi của bạn về Matlab: nếu bạn bắt đầu từ ARMA (p, q), không phải là biến xuất hiện trong mô hình đó. Tuy nhiên, biểu diễn không gian trạng thái thực sự cung cấp một cách hiểu khác về ARMA (p, q): trạng thái ẩn có thể là biến mà bạn quan tâm và cấu trúc MA (q) phát sinh do lỗi đo lường. Bạn có thể viết AR (1) và thêm một số nhiễu trắng để thấy rằng cấu trúc ARMA phát sinh. ξ
Matthias Schmidtblomsher

8

Điều này cũng giống như trên, nhưng tôi nghĩ rằng tôi sẽ cung cấp một câu trả lời ngắn gọn, súc tích hơn. Một lần nữa, đây là đại diện của Hamilton cho một quá trình ARMA ( , ) nhân quả , trong đó . Số này sẽ là thứ nguyên của vectơ trạng thái và cần tạo số lượng hàng của trạng thái khớp với số cột của ma trận quan sát. Điều đó có nghĩa là chúng ta cũng phải đặt hệ số về 0 mỗi khi chỉ số quá lớn.pqr=max(p,q+1)r(ξt,ξt1,,ξtr+1)

  1. Phương trình quan sát

ϕ(B)(ytμ)=θ(B)ϵt(causality)(ytμ)=ϕ1(B)θ(B)ϵtyt=μ+ϕ1(B)θ(B)ϵtyt=μ+θ(B)ϕ1(B)ϵt(letting ξt=ϕ1(B)ϵt)yt=μ+θ(B)ξt(this is where we need r)yt=μ+[1θ1θ2θr1][ξtξt1ξtr+1]the state vector+0.
  1. Phương trình nhà nước

ξt=ϕ1(B)ϵtϕ(B)ξt=ϵt(1ϕ1BϕrBr)ξt=ϵtξt=ϕ1ξt1++ϕrξtr+ϵt[ξtξt1ξt2ξtr+1]=[ϕ1ϕ2ϕ3ϕr1000010000010][ξt1ξt2ξtr]+[ϵt00].

1
Điều này làm cho nó cuối cùng rõ ràng những phương trình nhà nước đến từ đâu. Tôi nghĩ rằng việc nói nó như thế là tốt hơn nhiều so với việc đưa ra các phương trình xuất hiện ngẫu nhiên với ghi chú rằng nó đúng.
Alex

@CowboyTrader vâng, đúng vậy. Ít nhất là cho đại diện ARMA này. Có một số người khác.
Taylor

@CowboyTrader không, nhưng tôi muốn nói rằng đây là một cảm giác hợp lý bởi vì tài liệu về các mô hình không gian trạng thái thiên về lọc. Các phương trình dự đoán đệ quy tồn tại cho các mô hình không gian trạng thái Gaussian tuyến tính tồn tại, nhưng bạn có được các công cụ lọc như một phần thưởng bổ sung.
Taylor

@CowboyTrader vui lòng gửi email cho tôi. Tôi biết không phải ai cũng thích các cuộc thảo luận mở rộng trong các bình luận, vì vậy có thể dễ dàng hơn để làm điều đó.
Taylor

Tôi thấy rằng nó đã được chứng minh, nhưng, bạn có thể vui lòng giúp đưa ra một số trực giác? Các biến trạng thái là gì, vectơ trạng thái t = 0 là gì?
Frank
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.