具有异方差测量误差的AR(1)过程


13

1.问题

我对变量进行了一些测量,其中,我通过MCMC获得了分布,为简单起见,我将其假设为均值的高斯和方差。ytt=1,2,..,nfyt(yt)μtσt2

对于这些观察,我有一个物理模型,例如,但是残差似乎是相关的;特别是,我有物理上的理由认为流程足以考虑相关性,因此我计划通过MCMC获得拟合系数,为此我需要可能性。我认为解决方案很简单,但是我不太确定(它看起来很简单,以至于我遗漏了一些东西)。g(t)rt=μtg(t)AR(1)

2.推导可能性

零均值流程可写为: 其中,我假设。因此,要估计的参数为(在我的情况下,我还必须添加模型的参数,但这不是问题)。但是,我观察到的是变量 ,其中我假设和是已知的(测量误差)。因为是高斯过程,所以也是。我特别知道 X = φ X - 1 + ε 1 ε Ñ 0 σ 2 瓦特θ = { φ σ 2 瓦特 } - [R = X + η 2 η ñ AR(1)

Xt=ϕXt1+εt,   (1)
εtN(0,σw2)θ={ϕ,σw2}g(t)
Rt=Xt+ηt,   (2)
σ 2 XřX1Ñ0σ 2 瓦特 /[1-φ2]ηtN(0,σt2)σt2XtRt
X1N(0,σw2/[1ϕ2]),
因此, 接下来的挑战是获得的。要导出此随机变量的分布,请注意,使用等式。我可以写 使用等式。,并使用等式的定义。我可以这样写: 使用等式 在最后一个表达式中,我得到 因此, [R Ť | ř - 11 2 X - 1 = - [R - 1 - η - 13 2 1
R1N(0,σw2/[1ϕ2]+σt2).
Rt|Rt1t1(2)
Xt1=Rt1ηt1.   (3)
(2)R(1)3 - [R =φ ř - 1 - η - 1+ ε + η - [R | ř - 1 =φ ř - 1 - η
Rt=Xt+ηt=ϕXt1+εt+ηt.
(3)
Rt=ϕ(Rt1ηt1)+εt+ηt,
Rt|Rt1=ϕ(rt1ηt1)+εt+ηt,
,因此, 最后,我可以将似然函数写为 L(\ theta)= f_ {R_1}(R_1 = r_1)\ prod_ {t = 2} ^ {n} f_ {R_ {t} | R_ {t-1}}( R_t = r_t | R_ {t-1} = r_ {t-1}), 其中f(\ cdot)是我刚刚定义的变量的分布,即,定义\ sigma'^ 2 = \ sigma_w ^ 2 / [1- \ phi ^ 2] + \ sigma_t ^ 2,f_ {R_1}(R_1 = r_1)= \ frac {1} {\ sqrt {2 \ pi \ sigma'^ 2}} \ text {exp} \ left(-\ frac {r_1 ^ 2} {2 \ sigma'^ 2} \ right), 并定义\ sigma ^ 2(t)= \ sigma_w ^ 2 + \ sigma_t ^ 2- \ phi ^ 2 \ sigma ^ 2_ {t-1}
Rt|Rt1N(ϕrt1,σw2+σt2ϕ2σt12).
L(θ)=fR1(R1=r1)t=2nfRt|Rt1(Rt=rt|Rt1=rt1),
f()σ2=σw2/[1ϕ2]+σt2,
fR1(R1=r1)=12πσ2exp(r122σ2),
σ2(t)=σw2+σt2ϕ2σt12
fRt|Rt1(Rt=rt|Rt1=rt1)=12πσ2(t)exp((rtϕrt1)22σ2(t))

3.问题

  1. 我的推算可以吗?除了模拟(似乎同意)之外,我没有其他资源可以比较,而且我不是统计学家!
  2. 文献中对进程或进程有任何此类推导吗?ř 中号1 1 MA(1)ARMA(1,1)通常可以针对这种情况进行的过程研究很好。ARMA(p,q)

我确实没有适合您的解决方案。但是,我认为这是一种错误输入变量问题。我已经在Thomas Sergent的宏观经济理论(1980年的书)中看到了这些东西。您可能要看一看。
Metrics

感谢您输入@Metrics。我会检查这本书!
内斯托尔·

Answers:


1
  1. 您处在正确的轨道上,但是在给定的情况下推导的分布时犯了一个错误:条件均值不是。它是,其中是您对上一个时期的的最佳估计。的值包括从先前的观察信息以及。(要了解这一点,请考虑和可以忽略不计的情况,因此您可以有效地估计固定均值。经过大量观察,关于的不确定性将小于R t 1 ϕ r t 1RtRt1ϕrt1ϕx^t1x^t1Xx^t1rt1σwϕXση)。这可以先迷惑,因为你观察,而不是。这仅表示您正在处理状态空间模型RX

  2. 是的,有一个非常通用的框架用于使用带有高噪声观测值的线性高斯模型,称为卡尔曼滤波器。这适用于具有ARIMA结构的任何事物以及更多模型。对于卡尔曼滤波器,时变可以,但前提是它不是随机的。具有例如随机波动率的模型需要更通用的方法。要查看卡尔曼滤波器的推导方法,请尝试Durbin-KoopmanHarvey的第3章。用Harvey的表示法,您的模型具有,,,,和。 ž = 1 d = c ^ = 0 ħ σηZ=1d=c=0Ht=ση,t2T=ϕR=1Q=σw2


嗨,杰米,谢谢您的输入。有几点评论:1.我不确定。实际上,这是我第一次尝试作为解决方案,但是我的直觉和模拟都不同意这一点。问题是我实际上没有观察到 ,我观察到;另外,您能否(以数学方式)证明随机变量的条件均值(请注意,它不是)实际上是吗?2.您能详细说明卡尔曼滤波器在此特定问题上的应用吗?R t R t | [R ŤXtRtRt|Rt1=rt1Rt|Xt1=xt1ϕx^t1
内斯托尔·

内斯特,您好,我已编辑答案以回复您的评论。希望能有所帮助。
杰米·霍尔

嗨,杰米:关于第二点,没关系,谢谢:-)!但是,我仍然看不到您的第一点。您能指出我的正式派生词吗?特别是,我想知道推理的哪一部分是错误的(以及原因)!
内斯托尔·

您跳过了一步:给定分配。它是,其中是您在第一步中计算出的方差,而是和的调和平均值的两倍。(这就像使用两个高斯pdf进行贝叶斯更新一样。)您的方程式(3)在形式上是正确的,但是您使用该信息而不是。X1R1σ 2 X 1 σ 2 X 2 σ 2 X 1个 σ 2 η 1个 pX-1|- [R1t1N(σx,12(σx,12+ση,12)r1,σx,22)σx,12σx,22σx,12ση,12p(Xt1|R1:t1)
杰米·霍尔

-1

老实说,您应该使用BUG或STAN对此进行编码,而不用担心在那里。除非这是一个理论问题。


2
(-1)对此回应;这显然是一个理论问题;-)。考虑改进为什么您认为我应该用BUG或STAN编写代码,它与原始问题有什么关系?
内斯托尔·
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.