Показатели разброса и размаха

Ввести показатель разброса F(T; Y) = F(T; y₁(t), y₂(t), y₃(t), ... ) можно разными способами. Пусть k = [A/T]. Можно использовать функционалы супремумного типа (здесь и далее число слагаемых k не будем указывать в обозначении функционалов): F₁(T; Y) = sup {çy_i(t) - y_j(t) ç, i,j = 1,2,...,k, 0<t<T},

F₂(T; Y) = sup {çy_i(t) - y_ср(t) ç, i = 1,2,...,k, 0<t<T},

F₃(T; Y) = sup {y_i(t), i = 1,2,...,k, 0<t<T} - inf {y_i(t), i = 1,2,...,k, 0<t<T}.

Для применения функционалов интегрального типа целесообразно сделать замену переменной q = t/T и перейти к функциям Y_i(q) = y_i(t) = y_i(qT), i =1,2,...,k, Y_ср(q) = y_ср(t) = y_ср(qT). В качестве показателя разброса представляется полезным рассмотреть то или иное отклонение совокупности функций Y_i(q), i =1,2,...,k, друг относительно друга. Можно сказать, что эти функции заполняют некую “трубку”, которая тоньше всего при истинном значении периода T, а внутри нее проходит периодическая составляющая X(q) = x(t) = x(qT). Естественно рассмотреть функционалы типа

F₄(T; Y) = max {çY_i(q) - Y_j(q) ç, i,j = 1,2,...,k} dq ,

F₅(T; Y) = çY_i(q) - Y_j(q) çdq ,

F₆(T; Y) = max {çY_i(q) - Y_ср(q) ç, i = 1,2,...,k} dq ,

F₇(T; Y) = çY_i(q) - Y_ср(q) çdq ,

F₈(T; Y) = [ max {çY_i(q) - Y_j(q) ç, i,j = 1,2,...,k}]² dq ,

F₉(T; Y) = ( Y_i(q) - Y_j(q) )² dq ,

F₁₀(T; Y) = [ max {çY_i(q) - Y_ср(q) ç, i = 1,2,...,k} ]² dq ,

F₁₁(T; Y) = ( Y_i(q) - Y_ср(q) )² dq .

Список показателей разброса можно расширить. В частности, естественно использовать расстояния в функциональных пространствах L^p при произвольном p>1, а для оценивания периодической составляющей использовать не только среднее арифметическое, но и другие виды средних.

Показатели размаха также можно ввести различными способами. Например,

G₁(T; Y) = sup {çy_ср (t) - y_ср(s) ç, 0<t<T, 0<s<T}

= sup {y_ср (t), 0<t<T} - inf {y_ср (t), 0<t<T}.

Пусть сделана замена переменной q = t/T и осуществлен переход к функции Y_ср(q) = y_ср(t) = y_ср(qT). Возможными показателями размаха являются:

G₂(T; Y) = çY_ср(q) - Y_ср(r) çdq dr,

G₃(T; Y) = ( Y_ср(q) - Y_ср(r) )² dq dr,

Введем среднее значение оценки периодической составляющей

Y_ср = Y_ср(q) dq .

Естественные показатели размаха таковы:

G₄(T; Y) = sup {çY_ср (q) - Y_ср ç, 0<q<1},

G₅(T; Y) = çY_ср(q) - Y_ср çdq,

G₆(T; Y) = ( Y_ср(q) - Y_ср )² dq .

Список показателей размаха, как и список показателей разброса, можно расширить. В частности, естественно использовать расстояния в функциональных пространствах L^p при произвольном p>1, а для оценивания периодической составляющей использовать не только среднее арифметическое, но и другие виды средних - медиану, среднее геометрическое и др.

Алгоритмы оценивания

С прикладной точки зрения остается численно минимизировать один или несколько из 66 функционалов F_i(T; Y) / G_j(T; Y), i = 1,2,...,11, j = 1,2,...,6. Численная минимизация по одному параметру при современных ЭВМ не вызывает проблем, даже если попросту перебирать значения периода с шагом 0,001. По нескольким реальным или смоделированным сигналам можно установить, какой из функционалов позволяет оценить период и периодическую составляющую наиболее точно. Возможно и одновременное использование всех или части функционалов, что в соответствии с методологией устойчивости [4] позволяет установить чувствительность оценок к выбору метода оценивания. Проведенные в Лаборатории эконометрических исследований Московского государственного института электроники и математики (технического университета) расчеты по реальным и смоделированным данным о сигналах показали, что описанные выше алгоритмы позволяют оценивать длину периода и восстанавливать периодическую составляющую сигнала достаточно точно с практической точки зрения.

В обширной литературе по временным рядам [5-20] проблеме оценивания периода не уделяется большого внимания. Фактически рекомендуют пользоваться либо периодограммой, либо автокорреляционной функцией. С помощью периодограммы (несостоятельной оценки спектральной плотности) можно выделить лишь синусоидальные составляющие, в то время как в рассматриваемых нами прикладных задачах периодическая составляющая представляет интерес сама по себе, без разложения на гармоники. Вторая рекомендация более полезна. В качестве оценки периода можно взять наименьшее положительное число, в котором достигается локальный максимум автокорреляционной функции. Эмпирический коэффициент автокорреляции - еще один функционал типа тех, что перечислены выше.

При поверхностном взгляде на проблемы статистического оценивания, как и на иные проблемы прикладной математики, часто возникает желание обсудить “оптимальность” тех или иных процедур. При более глубоком анализе становятся очевидными два обстоятельства. Во-первых, оптимальность имеет быть лишь в рамках той или иной модели, при отклонениях от которой оптимальность пропадает. Например, выборочное среднее арифметическое как оценка математического ожидания оптимальна тогда и только тогда, когда распределение результатов наблюдений - гауссово [21]. С другой стороны, для практически любой статистической процедуры можно подобрать свойство оптимальности так, чтобы эта процедура оказалась оптимальной. Так, метод наименьших модулей оптимален, если погрешности имеют распределение Лапласа, а метод наименьших квадратов - когда их распределение гауссово. Поскольку реальные распределения - не Лапласа и не Гаусса, то указанные математические результаты практического применения не имеют.

Однако представляется полезным получить доказательства состоятельности оценок в возможно более широких, например, непараметрических, постановках. Хотя на основе самого факта сходимости нельзя оценить близость оценок к параметрам, но получение состоятельности - первый шаг при изучении скорости сходимости [22].