Các mối tương quan đo lường mối quan hệ tuyến tính. Trong mối quan hệ bối cảnh không chính thức có nghĩa là một cái gì đó ổn định. Khi chúng ta tính toán tương quan mẫu cho các biến dừng và tăng số lượng điểm dữ liệu có sẵn, mối tương quan mẫu này có xu hướng tương quan thực sự.
Có thể chỉ ra rằng đối với giá cả, thường là các bước ngẫu nhiên, mối tương quan mẫu có xu hướng biến ngẫu nhiên. Điều này có nghĩa là cho dù chúng tôi có bao nhiêu dữ liệu, kết quả sẽ luôn khác nhau.
Lưu ý tôi đã cố gắng thể hiện trực giác toán học mà không có toán học. Từ quan điểm toán học, lời giải thích rất rõ ràng: Các khoảnh khắc mẫu của các quá trình đứng yên hội tụ xác suất đến các hằng số. Các khoảnh khắc mẫu của các bước đi ngẫu nhiên hội tụ thành các tích phân của chuyển động nâu là các biến ngẫu nhiên. Vì mối quan hệ thường được biểu thị dưới dạng số và không phải là biến ngẫu nhiên, lý do không tính toán tương quan cho các biến không cố định trở nên rõ ràng.
Cập nhật Vì chúng tôi quan tâm đến mối tương quan giữa hai biến trước tiên, chúng xuất phát từ quá trình dừng . Stationarity ngụ ý rằng và không phụ thuộc vào . Vì vậy, mối tương quanE Z t c o v ( Z t , Z t - h ) tZt= ( Xt, Yt)EZtc o v ( Zt, Zt - h)t
c o r r ( Xt, Yt) = c o v ( Xt, Yt)D XtD Yt-------√
cũng không phụ thuộc vào , vì tất cả các đại lượng trong công thức đến từ ma trận , không phụ thuộc vào t . Vì vậy, việc tính toán tương quan mẫuc o v ( Z t )tcov(Zt)t
có ý nghĩa, vì chúng ta có thể có hy vọng hợp lý rằng tương quan mẫu sẽ ước tínhρ=corr(Xt,Yt). Nó chỉ ra rằng niềm hy vọng này không phải là không có cơ sở, vì đối với các quá trình văn phòng phẩm đáp ứng các điều kiện nhất định chúng tôi có màρ→
ρ^= 1TΣTt = 1( Xt- X¯) ( Yt−Y¯)1T2∑Tt=1(Xt−X¯)2∑Tt=1(Yt−Y¯)2−−−−−−−−−−−−---------------√
ρ = c o r r ( Xt, Yt) , nhưtrong xác suất. Hơn nữa,trong phân phối, vì vậy chúng tôi có thể kiểm tra các giả thuyết về.
ρ^→ ρ√T→ ∞ρT--√(ρ^−ρ)→N(0,σ2ρ)ρ
Bây giờ giả sử rằng không đứng yên. Sau đó, sửa có thể phụ thuộc vào . Vì vậy, khi chúng tôi quan sát một mẫu có kích thước chúng tôi cần ước tính tương quan khác nhau . Điều này tất nhiên là không khả thi, vì vậy trong trường hợp tốt nhất, chúng tôi chỉ có thể ước tính một số chức năng của như giá trị trung bình hoặc phương sai. Nhưng kết quả có thể không có giải thích hợp lý. c o r r ( X t , Y t ) t T T ρ t ρ tZtc o r r ( Xt, Yt)tTTρtρt
Bây giờ chúng ta hãy xem xét những gì xảy ra với sự tương quan của bước đi ngẫu nhiên không cố định được nghiên cứu nhiều nhất. Chúng tôi gọi tiến trình là bước đi ngẫu nhiên nếu , trong đó là một quá trình đứng yên. Để đơn giản, giả sử rằng . Sau đóZ t = ∑ t s = 1 ( U t , V t ) C t = ( U t , V t ) E C t = 0Zt= ( Xt, Yt)Zt=∑ts=1(Ut,Vt)Ct=(Ut,Vt)ECt=0
corr(XtYt)=EXtYtDXtDYt−−−−−−−√=E∑ts=1Ut∑ts=1VtD∑ts=1UtD∑ts=1Vt−−−−−−−−−−−−−−−−√
Để đơn giản hóa vấn đề hơn nữa, giả sử rằng là một tiếng ồn trắng. Điều này có nghĩa là tất cả các tương quan bằng 0 cho . Lưu ý rằng điều này không hạn chế sửa về không.E ( C t C t + h ) h > 0 c o r r ( U t , V t )Ct=(Ut,Vt)E(CtCt+h)h>0corr(Ut,Vt)
Khi đó
corr(Xt,Yt)=tEUtVtt2DUtDVt−−−−−−−−√=corr(U0,V0).
Cho đến nay rất tốt, mặc dù quá trình này không ổn định, nhưng mối tương quan có ý nghĩa, mặc dù chúng tôi đã phải đưa ra các giả định hạn chế tương tự.
Bây giờ để xem điều gì xảy ra với tương quan mẫu, chúng ta sẽ cần sử dụng thực tế sau đây về các bước ngẫu nhiên, được gọi là định lý giới hạn trung tâm chức năng:
trong phân phối, nơis∈[0,1]vàlàchuyển động Brownianbivariate(quá trình Wiener hai chiều). Để thuận tiện giới thiệu định nghĩa.
1T−−√Z[Ts]=1T−−√∑t=1[Ts]Ct→(cov(C0))- 1 / 2WS,
s ∈ [ 0 , 1 ]M s = ( M 1 s , M 2 s ) = ( c o v ( C 0 ) ) - 1 / 2 W sWS= ( W1 giây, W2 giây)MS= ( M1 giây, M2 giây) = ( c o v ( C0) )- 1 / 2WS
Một lần nữa để đơn giản, chúng ta hãy định nghĩa tương quan mẫu là
ρ^= 1TΣTt = 1XtYt1TΣTt = 1X2t1TΣTt = 1Y2t------------------√
Hãy để chúng tôi bắt đầu với phương sai. Chúng ta có
E1TΣt = 1TX2t= 1TEΣt = 1T( ∑s = 1tBạnt)2= 1TΣt = 1Tt σ2Bạn= σBạnT+ 12.
Điều này đi đến vô cùng khi tăng, vì vậy chúng tôi gặp vấn đề đầu tiên, phương sai mẫu không hội tụ. Mặt khác, định lý ánh xạ liên tục kết hợp với định lý giới hạn trung tâm chức năng cho chúng taT
T→∞
1T2Σt = 1TX2t= ∑t = 1T1T( 1T--√Σs = 1tBạnt)2→ ∫10M21 giâydS
trong đó hội tụ được hội tụ trong phân phối, như .
T→ ∞
Tương tự như vậy, chúng tôi nhận được
1
1T2Σt = 1TY2t→ ∫10M22 giâydS
và
1T2Σt = 1TXtYt→ ∫10M1 giâyM2 giâydS
Vì vậy, cuối cùng cho tương quan mẫu của bước đi ngẫu nhiên của chúng tôi, chúng tôi nhận được
T→∞
ρ^→ ∫10M1 giâyM2 giâydS∫10M21 giâyds ∫10M22 giâydS---------------√
trong phân phối dưới dạng .
T→ ∞
Vì vậy, mặc dù mối tương quan được xác định rõ, tương quan mẫu không hội tụ về phía nó, như trong trường hợp quá trình đứng yên. Thay vào đó, nó hội tụ đến một biến ngẫu nhiên nhất định.