text
stringlengths
0
1.95k
kt
-
-
x
)
,
(
x
t
2
-
x
)
n
å
t
1
=
где n – длина временного ряда. Величина rk изменяется в зависимости от лага k: например,
r1 оценивает линейную зависимость между парами последовательно выполненных
измерений xt и xt + 1, r2 – между xt и xt + 2 и т.д. Aвтокорреляционной функцией (АКФ)
называют последовательность автокорреляций {rk}, k = -∞, ... ,+∞ при r0 = 1 и rk = r-k.
На рис. 7.7 представлена коррелограмма ряда ПОВТОР среднемесячной
повторяемости северного ветра (% дней от общего их количества с оценкой по одному из
8 возможных румбов). Можно отметить умеренную, хотя и значимую ежегодную
254
цикличность этого метеорологического явления: наиболее тесная прямая связь
наблюдается с периодичностью в 1 год, а обратная – через каждые полгода. Аналогичный
вывод можно сделать также на основе графика средних месячных значений
повторяемости северного ветра за анализируемый период (рис. 7.8).
Рис. 7.7. Автокорреляционная функция ряда ПОВТОР ; пунктирными линиями показаны
95% доверительные интервалы, по оси абсцисс лаг в долях календарного года
Рис. 7.8. Среднемесячная изменчивость повторяемости северного ветра
255
Статистическую значимость последовательности коэффициента автокорреляции
при различных лагах {r1, … , r12}obs можно проверить с использованием алгоритма
рандомизации. Сформируем В = 1000 перевыборок, в которых значения исходного
временного ряда были случайным образом перемешаны, и рассчитаем матрицу 13´1000
рандомизированных значений {r1, … , r12}ran при справедливости нулевой гипотезы. P-
значения коэффициентов для каждого лага найдем по обычной формуле p = (b + 1)/(B + 1),
где b - число случаев, при которых {rk}ran ³ {rk}obs :
7
Лаг k
-0.21
{rk}obs
pk
Приведенные оценки значимости АКФ в целом соответствуют доверительным интервалам
на рис. 7.7, полученным параметрической аппроксимацией статистики Неймана.
6
4
-0.21
-0.13
0.011 0.001 0.001 0.001 0.006
8
-0.16 0.047 0.157 0.191 0.228
0.377 0.007 0.001 0.001
1
0.223 0.082 0.024
0.001 0.145 0.670
5
-0.21
12
10
11
9
2
3