Answers:
(我将其写为对另一篇文章的回答,当我撰写该文章时,它被标记为与该文章的副本;我以为我会将其张贴在这里,而不是将其丢弃。它看起来和胡伯的观点非常相似。答案,但又完全不同,有人可能会从中得到一些东西。)
随机游走的形式为
请注意,
因此。
另外请注意
因此。
就是说,您应该看到几乎为1的相关性,因为一旦开始变大,和几乎是同一件事-它们之间的相对差异往往很小。y t y t − 1
通过绘制与可以很容易地看到这一点。y t − 1
现在,我们可以直观地看到它了-想象下降到(就像我们在模拟带有标准正态噪声项的随机游走时看到的那样)。则将非常接近;可能是,也可能是但几乎可以肯定在的几个单位之内。因此,随着序列的上下波动, vs几乎总是停留在线的相当窄的范围内...但是随着增长,点将覆盖得更大,沿更大的延伸线(沿线的传播随着增长而增加,但垂直传播保持大致恒定);相关性必须接近1。
在上一个问题的上下文中,“随机游走”是二项式随机游走的一种实现 。自相关是向量(x 0,x 1,… ,x n − 1)与下一个元素的向量(x 1,x 2,… ,x n)之间的相关性。。
二项式随机游走的结构非常复杂,导致每个与每个x i相差一个常数。 行走了一段时间后,的值将偏离初始值x 0,因此通常会覆盖一个良好的范围,通常与√成正比长度为 n。因此,(xi,x i + 1)对的lag-1散点图将由仅位于y=x±1线上的点组成,平均而言,它们接近y=x线。残差将接近±1。因此,在绝大多数实现中,残差的方差(约1)与值的方差(大约为( √)将很小。我们期望R2大约为
这是一张随机行走中步的图片(左侧)及其lag-1散点图(右侧)。使用颜色编码可以帮助您在两个图中找到相应的点。注意,在这种情况下,R 2实际上非常接近于1 − 4 / n。
这是R
产生图像的代码。
set.seed(17)
n <- 1e3
x <- cumsum((runif(n) <= 1/2)*2-1) # Binomial random walk at x_0=0
rho <- format(cor(x[-1], x[-n]), digits=3) # Lag-1 correlation
par(mfrow=c(1,2))
plot(x, type="l", col="#e0e0e0", main="Sample Path")
points(x, pch=16, cex=0.75, col=hsv(1:n/n, .8, .8, .2))
plot(x[-n], x[-1], asp=1, pch=16, col=hsv(1:n/n, .8, .8, .2),
main="Lag-1 Scatterplot",
xlab="Current value", ylab="Next value")
mtext(bquote(rho == .(rho)))