|
|
| Alcuni modelli stocastici | di A. Fanciullo T. Lutrelli |
|
I processi AUTOREGRESSIVI Sia {Zt, t $\in$ 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 $\in$ 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.
Scrivi Commento
Powered by AkoComment Tweaked Special Edition v.1.4.6 |
||||||
| < Prec. | Pros. > |
|---|
|
Iniziative editoriali
|
Test - quiz - simulazione |
Gioca con la matematica |
|
|
|
|
|
|