Alcuni modelli stocastici

_fanciullo
di _fanciullo
2 min
Ominide
Vota
Appunto verificato
Contenuto verificato e approvato dal  Team di Esperti di Skuola.net Informazioni appunto verificato Informazioni appunto verificato hover

Scopri i modelli stocastici, come i processi autoregressivi (AR), a media mobile (MA) e ARMA. Approfondisci le loro caratteristiche, condizioni di stazionarietà e metodi di stima, per comprendere meglio l'analisi delle serie temporali.

Concetti Chiave

  • Un processo autoregressivo del primo ordine (AR(1)) è definito come Zt = ΦtZt-1 + ε, dove ε è un processo di white noise.
  • I processi autoregressivi di ordine superiore (AR(p)) combinano più termini passati, con parametri da stimare per garantire la stazionarietà.
  • I processi a media mobile, come MA(1) e MA(q), utilizzano il white noise e sono sempre stazionari, a differenza degli AR.
  • Un processo ARMA combina un modello autoregressivo e uno a media mobile, rappresentato come Zt = AR(p) + MA(q), con specifiche condizioni per la stazionarietà.
  • La stazionarietà dei processi ARMA e AR dipende dall'adeguata stima dei parametri e dalle condizioni che devono essere soddisfatte.

I processi AUTOREGRESSIVI

Sia {Zt, t

[math]\in [/math]
T}, sia εt un processo white noise WN(0, σ2), allora:

Zt=ΦtZt-1+εt

rappresenta un processo autoregressivo del primo ordine AR(1);

Zt=Φ1Zt-1+Φ2Zt-2+εt

rappresenta un processo autoregressivo del secondo ordine AR(2);

Zt=Φ1Zt-1+Φ2Zt-2+...+ΦpZt-p+εt

rappresenta un processo autoregressivo del generico ordine p AR(p), dove Φ1,Φ2,...,Φp sono i parametri del modello AR da stimare. Tali processi sono stazionari solo se i parametri soddisfano determinate condizioni, ovvero sono in modulo maggiori di 1. Di solito si suppone che la variabile di white noise sia di tipo gaussiano al fine di stimare i parametri in base al metodo della massima verosimiglianza.

I processi MOVING AVERAGE

Sia {Zt, t

[math]\in [/math]
T}, sia at un processo white noise WN(0, σ2), allora:

Zt=at-θat-1

rappresenta un processo a media mobile del primo ordine MA(1);

Zt=at-θ1at-1-θ2at-2

rappresenta un processo a media mobile del secondo ordine MA(2);

Zt=at-θ1at-1-θ2at-2-...-θqat-q

rappresenta un processo a media mobile del generico ordine q, dove θ1, θ2,...,θq sono i parametri del modello MA da stimare. Tali processi sono sempre stazionari. Di solito si suppone che la variabile di white noise sia di tipo gaussiano al fine di stimare i parametri in base al metodo della massima verosimiglianza.

I processi ARMA

Un processo ARMA è dato dalla combinazione tra un processo AR(p) e un processo MA(q):

Zt=Φ1Zt-1+Φ2Zt-2+...+ΦpZt-p+at-θ1at-1-θ2at-2-...-θqat-q,

Z ~ ARMA(p, q) è un processo autoregressivo media mobile di ordine (p,q), dove Φ1, Φ2,...,Φp e θ1, θ2,...,θq sono i parametri del processo ARMA da stimare. Il processi ARMA sono stazionari solo se si verificano alcune condizioni.

Domande da interrogazione

  1. Quali sono le caratteristiche principali dei processi autoregressivi (AR)?

    2. I processi autoregressivi (AR) sono definiti da equazioni che collegano il valore attuale a valori passati, come nel caso di AR(1) e AR(2). Sono stazionari solo se i parametri soddisfano determinate condizioni, ovvero se il loro modulo è maggiore di 1.

  2. Quali sono le caratteristiche principali dei processi autoregressivi (AR)?

    3. I processi autoregressivi (AR) sono definiti da equazioni che collegano il valore attuale a valori passati, come nel caso di AR(1) e AR(2). Sono stazionari solo se i parametri soddisfano determinate condizioni, ovvero se il loro modulo è maggiore di 1.

  3. Come si definiscono i processi a media mobile (MA) e quali sono le loro proprietà?

    4. I processi a media mobile (MA) sono rappresentati da equazioni che combinano il valore attuale con valori di white noise passati. A differenza dei processi AR, i processi MA sono sempre stazionari e si stima generalmente la variabile di white noise come gaussiana.

  4. Come si definiscono i processi a media mobile (MA) e quali sono le loro proprietà?

    5. I processi a media mobile (MA) sono rappresentati da equazioni che combinano il valore attuale con valori di white noise passati. A differenza dei processi AR, i processi MA sono sempre stazionari, e si presume che la variabile di white noise sia gaussiana per stimare i parametri tramite il metodo della massima verosimiglianza.

  5. Cosa rappresenta un processo ARMA e quali sono le sue condizioni di stazionarietà?

    6. Un processo ARMA combina un processo autoregressivo AR(p) e un processo a media mobile MA(q). È stazionario solo se si verificano specifiche condizioni sui parametri del modello, che devono essere stimati per garantire la validità del processo.

  6. Cosa distingue un processo ARMA da un processo AR o MA?

    7. Un processo ARMA combina le caratteristiche di un processo autoregressivo (AR) e di un processo a media mobile (MA), risultando in un modello di ordine (p, q). La stazionarietà di un processo ARMA dipende dal soddisfacimento di specifiche condizioni sui parametri del modello.

Appunti correlati

Domande e risposte

Hai bisogno di aiuto?
Chiedi alla community
Vai al forum