这是一个非平稳序列的示例,即使白噪声测试也无法检测到该序列(更不用说Dickey-Fuller类型测试)了:
是的,这可能令人惊讶,但这不是白噪声。
大多数非平稳的反例都基于对平稳的前两个条件的违反:确定性趋势(非恒定均值)或单位根/异方差时间序列(非恒定方差)。但是,您也可以使用具有均值和方差恒定的非平稳过程,但它们违反了第三个条件:自协方差函数(ACVF)应该随时间恒定,并且|的函数为|。s − t | 只要。cov(xs,xt)|s−t|
上面的时间序列是此类序列的示例,其均值为零,单位方差,但ACVF取决于时间。更确切地,上述过程是局部固定的MA(1)与参数的处理,使得它成为杂散白噪声(见下面参考文献):将MA过程的参数变化过时间xt=εt+θ1εt−1
θ1个(û )= 0.5 - 1 ⋅ ü ,
其中是归一化时间。之所以看起来像白噪声(即使从数学定义上来看显然不是),是因为随时间变化的ACVF随时间累计为零。由于样本ACVF收敛于平均ACVF,因此这意味着样本自协方差(和自相关(ACF))将收敛于看起来像白噪声的函数。因此,即使是Ljung-Box测试也无法检测到这种非平稳性。关于针对本地静止的替代方案测试白噪声的论文(免责声明:我是作者)提出了Box测试的扩展,以处理此类本地静止的过程。u = t / T
有关更多R代码和更多详细信息,请参见此博客文章。
mpiktas评论后更新:
的确,这看起来像是一个理论上有趣的案例,在实践中没有看到。我同意不太可能在现实世界的数据集中直接看到这样的杂散白噪声,但是您会在固定模型拟合的几乎所有残差中看到这一点。没有考虑太多细节理论,试想一下,一般随时间变化的模型
与随时间变化的协方差函数γ θ(ķ ,ü )。如果您符合恒定模式θ,则这个估计将接近真实模型的时间平均θ (ü ) ; 自然,残差现在将接近θ (u )γθ(k ,u )θˆθ (u ),其通过结构的 θ将出集成到零(大约)。详见Goerg(2012)。θ (Û )- θˆθˆ
让我们看一个例子
library(fracdiff)
library(data.table)
tree.ring <- ts(fread(file.path(data.path, "tree-rings.txt"))[, V1])
layout(matrix(1:4, ncol = 2))
plot(tree.ring)
acf(tree.ring)
mod.arfima <- fracdiff(tree.ring)
mod.arfima$d
## [1] 0.236507
因此,我们适应分数噪声参数d = 0.23(因为d < 0.5我们认为一切都很好,我们有一个固定的模型)。让我们检查残差:dˆ= 0.23dˆ< 0.5
arfima.res <- diffseries(tree.ring, mod.arfima$d)
plot(arfima.res)
acf(arfima.res)
看起来不错吧?好吧,问题在于残留物是虚假的白噪声。我怎么知道?首先,我可以测试一下
Box.test(arfima.res, type = "Ljung-Box")
##
## Box-Ljung test
##
## data: arfima.res
## X-squared = 1.8757, df = 1, p-value = 0.1708
Box.test.ls(arfima.res, K = 4, type = "Ljung-Box")
##
## LS Ljung-Box test; Number of windows = 4; non-overlapping window
## size = 497
##
## data: arfima.res
## X-squared = 39.361, df = 4, p-value = 5.867e-08
其次,我们从文献中知道树环数据实际上是局部平稳的分数噪声:请参阅Goerg(2012)和Ferreira,Olea和Palma(2013)。
这表明,我-诚然-理论上看起来很好的例子,实际上是在大多数现实世界中的例子中发生的。