「計量時系列分析」読解メモ②(Ch_2 ARMA過程)|時系列分析の基礎を学ぶ #4
連載経緯は#1に記しました。
#1では時系列データとはどのようなデータであるかやモデリングにおいて重要になる定常過程について、#2ではモデリングにおいてよく用いられるAR、MA、ARMAについてご紹介しました。
#3以降では時系列分析の入門本として評判の良い、「経済・ファイナンスデータの計量時系列分析」について取り扱います。
#3では1章の時系列分析の基礎概念について取り扱いました。
#4では引き続き2章のARMA過程について取り扱います。重要事項が多いため、今回は2.1のARMA過程の性質までを取り扱います。
以下目次になります。
1. ARMA過程(Ch_2)
1-1. ARMA過程の性質(2.1)
2. まとめ
1. ARMA過程(Ch_2の簡単な要約)
第2章では1変量の時系列データを分析するための基本的なモデルである自己回帰移動平均(ARMA)過程について述べる。本の後半で紹介するより複雑なモデルはARMAモデルを基に構築されていることが多いので、それらのモデルを理解する上でもARMAモデルは非常に重要である。
1-1. ARMA過程の性質(2.1の簡単な要約)
経済・ファイナンスデータの中には自己相関を持つデータが数多く存在するので、自己相関をモデル化する必要が出てくる。
一つ目の方法がとのモデルに共通の成分を含める方法である。
のようにモデル化すると、共通の成分bを通してとが相関を持つことができる。この考え方を移動平均(MA; Moving Average)と呼んでいる。
またもう一つの方法としては、のモデルにを含めることである。
のようにこれはモデル化できる。これを自己回帰(AR; AutoRegressive)と呼んでいる。以下MA過程とAR過程についてそれぞれまとめる。
◆ MA(Moving Average)過程
移動平均過程(Moving Average Process)はホワイトノイズを拡張したものであり、具体的にはホワイトノイズの線形和で表される。1次MA過程(MA(1)過程とも書く)は
で定義され、がMA過程に従うことはと表記される。この時、
となるため、のモデルとのモデルがという共通項を持つので、との間に相関が生じる。つまりMA(1)モデルは1次自己相関を持つモデルとなっている。
また、以下ではMA(1)過程の期待値と分散、自己共分散、自己相関について考える。
・期待値
・分散
・自己共分散
・自己相関
◆ AR(Auto Regressive)過程
自己回帰(AR; Auto Regressive Process)は、過程が自身の過去に回帰された形で表現される過程である。1次AR過程(AR(1)過程)は下記のように定義される。
を計算するにあたってが追加されていることで、とが相関を持つ形となっている。以下具体的なパラメータの値を元に考察を行う。
(1)
(2)
(3)
この時(1)については定常過程、(2)と(3)が非定常過程となる。特に(3)の過程は指数的に値が上昇するので爆発的(explosive)と呼ばれる。
次に、以下ではAR過程の期待値、分散、自己共分散、自己相関について考える。
・期待値
・分散
・k次自己共分散
・k次自己相関
このとき、k次自己相関を求める式をユール・ウォーカー方程式(Yule-Walker equation)と呼んでいる。ユール・ウォーカー方程式は、AR過程の自己相関が、の従うAR過程と同一の係数を持つ差分方程式に従うことを示すものである。
◆ ARMA過程
自己回帰移動平均過程(ARMA過程; Auto Regressive Moving Average Process)はARモデルとMAモデルの両方を含んだ過程である。(p,q)次ARMA過程(ARMA(p,q))は下記のように表せる。
ARMA(p,q)過程は、AR過程とMA過程の性質を併せもっており、両過程の性質のうち強い方がARMA過程の性質となる。例えば、ARMA仮定の定常性を考えると、MA過程は常に定常であるのに対してAR過程は定常になるとは限らないのでこの場合はAR仮定の性質が残り、ARMA過程は定常になるとは限らないということになる。
2. まとめ
#4では2.1のARMA過程の性質についてまとめました。記述の中身が充実しており要点が多かったため、ゆっくり進める形にしました。本の論述自体はもっと詳しいので、ご興味ある方は購入を推奨します。非常に中身が濃く読みやすいです。
#5では2.2のARMA仮定の定常性と反転可能性について取り扱っていきます。