ЭКОНОМЕТРИКА и математическая экономика / Эконометрика. Учебник продвинутый (2005)
.pdf13.3. Спектральный анализ |
413 |
Вводя понятие спектра, мы ослабляем это предположение и позволяем частоте изменяться непрерывно в диапазоне 0 − 0.5 Гц ( 0.5 цикла в единицу времени).
Обозначим линейную частоту через f и введем следующие обозначения:
|
2 |
|
T |
|
|
|
|
|
|
2 |
T |
|
|
|
αf = |
|
|
xˆt cos(2πf t), |
βf |
= |
|
xˆt sin(2πf t) |
|
||||||
T t=1 |
T t=1 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
||||||
и |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
R2 |
= α2 |
+ β2 . |
|
|
|
|
|
|
|
|
|
|
|
|
f |
f |
|
f |
|
|
|
|
Функция |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p (f ) = |
|
T |
R2 |
= |
T |
α2 |
+ β2 |
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
2 |
f |
2 |
f |
f |
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
|
|
|||||
|
2 |
|
T |
|
|
2 |
|
T |
|
2 |
||||
|
|
|
|
|
|
|
|
|
||||||
= |
|
|
xˆt cos(2πf t) |
+ |
|
|
xˆt sin(2πf t) |
, (13.24) |
||||||
|
|
|
|
|
|
|
||||||||
|
T |
|
|
|
|
|||||||||
|
|
|
t=1 |
|
|
|
|
|
t=1 |
|
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
где 0 f 12 , называется выборочным спектром. Очевидно, что значения пе-
риодограммы совпадают со значениями выборочного спектра в точках fj , то есть p (fj ) = Ij .
Спектр показывает, как дисперсия стохастического процесса распределена в непрерывном диапазоне частот. Подобно периодограмме он может быть использован для обнаружения и оценки амплитуды гармонической компоненты неизвестной частоты f , скрытой в шуме.
И периодограмму, и спектр представляют для наглядности в виде графика, на оси ординат которого — интенсивность Ij или p (f ), на оси абсцисс — частота fj = j T или f , соответственно. График выборочного спектра часто называют
спектрограммой.
Спектрограмма нужна для более наглядного изображения распределения дисперсии между отдельными частотами. Если частоте f = k T соответствует пик на спектрограмме, то в исследуемом ряду есть существенная гармоническая составляющая с периодом 1/f = T k .
Целью спектрального анализа является определение основных существенных гармонических составляющих случайного процесса путем разложения дисперсии процесса по различным частотам. Спектральный анализ позволяет исследовать смесь регулярных и нерегулярных спадов и подъемов, выделять существенные гармоники, получать оценку их периода и по значению спектра на соответствующих частотах судить о вкладе этих гармоник в дисперсию процесса.
414 |
Глава 13. Спектральный и гармонический анализ |
Исследования показывают, что наличие непериодического тренда (тренда с бесконечным периодом) дает скачок на нулевой частоте, т.е. в начале координат спектральной функции. При наличии циклических составляющих в соответствующих частотах имеется всплеск; если ряд слишком «зазубрен», мощность спектра перемещается в высокие частоты.
Типичным для большинства экономических процессов является убывание спектральной плотности по мере того, как возрастает частота.
Процесс выделения существенных гармоник — итеративный. При изучении периодограммы выделяется две-три гармоники с максимальной интенсивностью. Находятся оценки параметров этих наиболее существенных гармоник, и они удаляются из временного ряда с соответствующими весами. Затем остатки временного ряда, получающиеся после исключения значимых гармоник, снова изучаются в той же последовательности, т.е. строится периодограмма для этих остатков, и проявляются те гармоники, которые на начальном этапе были незаметны, и т.д. Количество итераций определяется задаваемой точностью аппроксимации модели процесса, которая представляется в виде линейной комбинации основных гармоник.
Понятие спектра, являясь основополагающим в спектральном анализе, для экономистов играет важную роль еще и потому, что существует функциональная связь выборочного спектра и оценок автоковариационной функции.
13.4.Связь выборочного спектра с автоковариационной функцией
Покажем, что выборочный спектр представляет собой косинус-преобразование Фурье выборочной автоковариационной функции.
Теорема Винера—Хинчина:
T −1 |
|
T −1 |
|
p (f ) = 2 c0 + 2 |
ck cos 2πf k = 2s2 1 + 2 |
rk cos 2πf k , |
(13.25) |
k=1 |
|
k=1 |
|
где rk = ck /c0 = ck /s2 — выборочные автокорреляции.
Доказательство. |
|
|
|
|
|
|
|
|
|
||
Объединим коэффициенты Фурье αf , βf |
в комплексное число df = αf − iβf , где |
||||||||||
i — мнимая единица. Тогда |
|
|
|
|
|
|
|
|
|
||
|
T |
= |
T |
(αf − iβf ) (αf + iβf ) = |
T |
|
|
|
|||
p (f ) = |
|
αf2 + βf2 |
|
|
df df , |
(13.26) |
|||||
2 |
2 |
2 |
где df комплексно сопряжено с df .
416 |
Глава 13. Спектральный и гармонический анализ |
Теперь допустим, что выборочный спектр, характеризующийся эмпирическими значениями частоты, амплитуды и фазы, вычислен для ряда из T наблюдений и мы можем неоднократно повторить этот эксперимент, соответственно собрав множество значений αj , βj и p (f ) по повторным реализациям. Тогда среднее значение p (f ) будет равно:
T −1 |
|
E(p (f )) = 2 E(c0) + 2 E(ck ) cos 2πf k , |
(13.28) |
k=1
где c0 и ck — эмпирические значения автоковариации. C учетом того, что E(ck ) при больших T стремится к теоретической автоковариации γk , получим, переходя к пределу, так называемую теоретическую спектральную плотность, или спектр мощности:
p(f ) = lim |
E(p (f )), 0 |
|
f |
|
1 |
|
|
|
2 |
|
|||||
T →∞ |
|
|
|
||||
или |
|
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
p(f ) = 2 γ0 + 2 |
γk cos(2πf k) |
= |
|
|
|||
|
k=1 |
|
|
|
|
|
|
|
∞ |
|
|
|
|
|
|
= 2σ2 |
1 + 2 ρk cos(2πf k) , |
(13.29) |
k=1
где ρk = γk /γ0 = γk /σ2 — теоретические автокорреляции.
Итак, это соотношение связывает функцию спектральной плотности с теоретическими автоковариациями.
Иногда более удобно использовать автокорреляции: разделим обе части p(f ) на дисперсию процесса, σ2 , и получим нормированный спектр g(f ):
g(f ) = 2 1 + 2 |
∞ ρk cos 2πf k , 0 f |
1 |
. |
|
2 |
||||
|
k=1 |
|
||
|
|
|
Если процесс представляет собой белый шум, то, согласно приведенным формулам, p(f ) = 2σ2 , т.е. спектральная плотность белого шума постоянна. Этим объясняется термин «белый шум». Подобно тому, как в белом цвете смешаны в одинаковых объемах все цвета, так и белый шум содержит все частоты, и ни одна из них не выделяется.
13.5. Оценка функции спектральной плотности |
417 |
13.5. Оценка функции спектральной плотности
На первый взгляд, выборочный спектр, определенный как
|
|
T −1 |
|
|
|
||
p (f ) = |
2 |
|
ck e−i2πf k = |
|
|
(13.30) |
|
|
k=−(T −1) |
|
|
|
|||
= |
2 |
c0 |
+ 2 T −1 ck cos 2πf k , 0 f |
1 |
, |
(13.31) |
|
2 |
|||||||
|
|
|
k=1 |
|
|
||
|
|
|
|
|
|
является естественной и правильной оценкой функции спектральной плотности:
p(f ) = 2 |
+∞ γke−i2πf k = 2 γ0 + 2 |
∞ γk cos 2πf k , 0 f |
1 |
. (13.32) |
|
2 |
|||||
|
k=−∞ |
k=1 |
|
||
|
|
|
Известно, что выборочная автоковариация ck — это асимптотически несмещенная оценка параметра γk , так как
lim E(ck ) = γk,
T →∞
и поэтому выборочный спектр есть также асимптотически несмещенная оценка функции спектральной плотности.
Однако дисперсия оценки (выборочного спектра) не уменьшается по мере роста размера выборки. Это означает, что рассматриваемая оценка несостоятельна. В то время как график функции теоретической спектральной плотности стационарного стохастического процесса «гладкий», — график выборочного спектра, построенный на основе эмпирических данных, «неровный». Использование данной оценки в качестве оценки функции спектральной плотности может привести к ложным выводам.
Поведение выборочного спектра иллюстрируют спектрограммы на рис. 13.1 а), б), в). Гладкая жирная линия соответствует теоретической спектральной плотности случайного процесса, а неровная тонкая линия — оценке по формуле (13.24). Видно, что с увеличением длины ряда оценка не становится более точной, а только увеличивает частоту флуктуаций.
Существует два подхода к решению проблемы несостоятельности выборочного спектра как оценки теоретического спектра. Оба заключаются в том, что выборочный спектр сглаживается, так что за счет некоторого увеличения смещения этой оценки достигается существенное снижение дисперсии (см. рис. 13.1 г) ). Один подход сглаживает оценку спектра в «частотной области», видоизменяя формулу (13.24), другой же подход видоизменяет формулу (13.25).
418 |
Глава 13. Спектральный и гармонический анализ |
|
|
а) |
б) |
|
T = 100 |
T = 300 |
|
в) |
г) |
|
T = 1000 |
T = 1000, |
|
|
сглаженная |
|
|
оценка |
Рис. 13.1
1) Взвешивание ординат периодограммы.
Первый способ сглаживания выборочного спектра применяет метод скользящего среднего, рассмотренный в предыдущей главе, к значениям периодограммы. Сглаживающая оценка определяется в форме
|
|
j |
|
M |
|
|
j − k |
|
M |
|
|
|
ps |
|
= |
µ |
|
p |
= |
µ I |
|
. |
(13.33) |
||
|
T |
|
T |
j−k |
||||||||
|
|
|
k=−M |
k |
|
|
k |
|
|
|||
|
|
|
|
|
|
|
|
k=−M |
|
|
|
|
Здесь {µ−M , . . . , |
µ−1, µ0 , µ1, . . . , µM } — 2M + 1 коэффициентов скользящего |
среднего, которые в сумме должны давать единицу, а также должны быть симметричными, в смысле µ−k = µk . Как правило, коэффициент µ0 максимальный, а остальные коэффициенты снижаются в обе стороны. Таким образом, наибольший вес в этой оценке имеют значения выборочного спектра, ближайшие к данной
частоте Tj , в связи с чем данный набор коэффициентов называют спектральным окном. Через это окно мы как бы «смотрим» на функцию спектральной плотности.
Формула сглаженной спектральной оценки определяется только для значений
j= M, . . . , [T /2] − M . Для гармонических частот с номерами j = 0, . . . , M − 1
иj = [T /2] − M + 1, . . . , [T /2] оценка не определена, поскольку при дан-
ных значениях j величина (j − k) может принимать значения −M, . . . , −1; [T /2] + 1, . . . , [T /2] + M . Однако проблема краевых эффектов легко решается,
13.5. Оценка функции спектральной плотности |
419 |
если доопределить функцию выборочного спектра (и, соответственно, периодограмму), сделав ее периодической. Формула (13.24) дает такую возможность, поскольку основана на синусоидах и косинусоидах. Таким образом, будем считать, что выборочный спектр определен формулой (13.24) для всех частот f (−∞, +∞). При этом ясно, что выборочный спектр будет периодической функцией с периодом 1, зеркально-симметричной относительно нуля (и относительно любой частоты вида i/2, где i — целое число):
p (f − i) = p (f ), i = . . . , −1, 0, 1, . . .
и
p (−f ) = p (f ).
Формулу (13.33) несложно обобщить так, чтобы можно было производить сглаживание не только в гармонических частотах. Кроме того, в качестве расстояния между «усредняемыми» частотами можно брать не 1/T , а произвольное ∆ > 0. Таким образом приходим к следующей более общей формуле:
|
M |
|
ps(f ) = |
µk p (f − k∆). |
(13.34) |
k=−M
Просматривая поочередно значения выборочного спектра и придавая наибольший вес текущему значению, можно сгладить спектр в каждой интересующей нас точке.
2) Взвешивание автоковариационных функций.
Известно, что при увеличении лага k выборочные автоковариации ck являются все более неточными оценками. Это связано с тем, что k-я автоковариация вычисляется как среднее по T −k наблюдениям. Отсюда возникает идея в формуле (13.25) ослабить влияние дальних автоковариаций за счет применения понижающих весов так, чтобы с ростом k происходило уменьшение весового коэффициента при ck .
Если ряд весов, связанных с автоковариациями c0, c1, . . . , cT −1 , обозначить как m0, m1, . . . , mT −1 , оценка спектра будет иметь вид:
pc(f ) = 2 m0c0 |
+ 2 T −1 mkck cos 2πf k , где 0 f |
1 |
. |
(13.35) |
|
2 |
|||||
|
k=1 |
|
|
||
|
|
|
|
Набор весов mk , используемый для получения такой оценки, получил название
корреляционное, или лаговое окно.
420 |
Глава 13. Спектральный и гармонический анализ |
При использовании корреляционного окна для уменьшения объема вычислений удобно брать такую систему весов, что mk = 0 при k K, где K < T . Тогда формула (13.35) приобретает вид
K−1 |
|
pc(f ) = 2 m0c0 + 2 mkck cos 2πf k . |
(13.36) |
k=1
Корреляционное окно удобно задавать с помощью функции m(·), заданной на интервале [0; 1], такой, что m(0) = 1, m(1) = 0. Обычно функцию выбирают так, чтобы между нулем и единицей эта функция плавно убывала. Тогда понижающие веса mk при k = 0, . . . , K вычисляются по формуле
mk = m(k/K).
Ясно, что при этом m0 = 1 (это величина, с помощью которой мы взвешиваем дисперсию в формуле (13.35)) и mK = 0.
Наиболее распространенные корреляционные окна, удовлетворяющие перечисленным свойствам — это окна Парзена и Тьюки—Хэннинга (см. рис. 13.2).
Окно Тьюки—Хэннинга:
m(z) = 12 (1 + cos(πz)) .
Окно Парзена:
m(z) = |
1 − 6z2 + 6z3, |
если z [0; 21 ]; |
|
2(1 − z)3, |
если z [ 21 ; 1]. |
Можно доказать, что сглаживание в частотной области эквивалентно понижающему взвешиванию автоковариаций. Чтобы это сделать, подставим в (13.34) выборочный спектр, выраженный через комплексные экспоненты (13.30):
MT −1
ps(f ) = 2 µj ck e−i2π(f −j∆)k . j=−M k=−(T −1)
Меняя здесь порядок суммирования, получим
|
T −1 |
|
M |
ps(f ) = 2 |
ck e−i2πf k |
µj ei2πjk∆. |
|
k=−(T −1) |
j=−M |
13.5. Оценка функции спектральной плотности |
|
421 |
|||
|
m(z) |
|
|
|
|
1 |
|
|
|
|
|
|
|
окно Парзена |
|
|
|
0.8 |
|
|
|
|
|
0.6 |
|
|
окно Тьюки—Хэннинга |
|
|
|
|
|
|
|
|
0.4 |
|
|
|
|
|
0.2 |
|
|
|
|
|
|
|
|
|
|
z |
0 |
0.2 |
0.4 |
0.6 |
0.8 |
1 |
|
Рис. 13.2. Наиболее популярные корреляционные окна |
|
Введя обозначение
|
M |
M |
mk = |
µj ei2πjk∆ = µ0 + µj ei2πjk∆ + e−i2πjk∆ |
|
|
j=−M |
j=1 |
|
|
M |
= |
µ0 + 2 |
µj cos(2πjk∆), |
|
|
j=1 |
придем к формуле
|
T −1 |
ps(f ) = 2 |
mkck e−i2πf k = |
k=−(T −1)
T −1
= 2 m0c0 + 2 mkck cos 2πf k ,
k=1
которая, очевидно, совпадает с (13.35).
Кроме того, без доказательства отметим, что подбором шага ∆ и весов µj мы всегда можем сымитировать применение корреляционного окна (13.35) с помощью (13.34). Существует бесконечно много способов это сделать.
В частности, как несложно проверить, частотное окно Тьюки—Хэннинга полу-
чим, если возьмем M = 1, µ |
|
= 1 |
, µ |
|
= µ |
|
= 1 |
и ∆ = |
1 |
. |
0 |
1 |
−1 |
|
|||||||
|
2 |
|
|
4 |
|
2K |