Por que nos importamos se um processo de MA é invertível?


14

Estou tendo problemas para entender por que nos importamos se um processo de MA é invertível ou não.

Corrija-me se estiver errado, mas posso entender por que nos importamos se um processo de RA é causal ou não, ou seja, se podemos "reescrevê-lo", por assim dizer, como a soma de alguns parâmetros e ruído branco - ou seja, um processo de média móvel. Nesse caso, podemos ver facilmente que o processo de RA é causal.

No entanto, estou tendo problemas para entender por que nos importamos se podemos ou não representar um processo de MA como um processo de AR, mostrando que é invertível. Eu realmente não entendo por que nos importamos.

Qualquer idéia seria ótima.


1
casual causal
Richard Hardy

Respostas:


7

A inversibilidade não é realmente um grande problema, porque quase qualquer modelo de MA (q) gaussiano e não invertível pode ser alterado para um MA ( q ) invertível(q) representa o mesmo processo, alterando os valores dos parâmetros. Isso é mencionado na maioria dos livros didáticos para o modelo MA (1), mas é verdade de maneira mais geral.

Como exemplo, considere o modelo MA (2)

(1)zt=(10.2B)(12B)wt,
onde wt é ruído branco com variação σw2 . Este não é um modelo invertível porque θ(B) tem uma raiz igual a 0,5 dentro do círculo unitário. No entanto, considere o modelo alternativo MA (2) obtido alterando essa raiz para seu valor recíproco de 2, de modo que o modelo tenha a forma
(2)zt=(10.2B)(10.5B)wt
ondewt tem variânciaσw2=4σw2 . Você pode facilmente verificar se os modelos (1) e (2) possuem as mesmas funções de autocovariância e, portanto, especificar a mesma distribuição para os dados se o processo for gaussiano.

Para tornar o modelo identificável de modo que exista um mapeamento um a um de θ1,θ2,,θq,σw2 para a distribuição dos dados, o espaço do parâmetro é, portanto, por convenção restrito ao inversível modelos. Essa convenção em particular é preferida, pois o modelo pode ser colocado diretamente na forma de AR () com os coeficientes π1,π2, satisfazendo a equação da diferença simplesθ(B)πi=0 .

Se não impormos essa restrição no espaço do parâmetro, a função de probabilidade de um MA (q) em geral teria até 2q ótimos locais (se o polinômio do MA tiver q raízes reais distintas), o que é algo que queremos evitar .

Você sempre pode mover raízes de dentro para fora do círculo unitário com uma alteração correspondente na variação de ruído branco usando a técnica acima, exceto nos casos em que o polinômio MA possui uma ou mais raízes exatamente no círculo unitário.


Muito interessante!
Richard Hardy

Sim, não sei por que isso não é afirmado mais claramente nos livros didáticos. Você pode ver esse "truque" sendo usado pela função maInvertdentro da arimafunção de R para garantir que as estimativas dos parâmetros correspondam a um modelo invertível.
Jarle Tufto 28/02/19

0

Xt

Xt=θ(B)Zt
ξ(B)Xt=Zt
ξ(B)

Além disso, a julgar pelo título na referência no primeiro link, esses autores têm muito mais a dizer sobre esse assunto. Infelizmente, não consigo encontrar uma cópia desse livro / papel na internet. Se alguém puder encontrar isso, entre em contato.

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.