自回归模型

概述

自回归模型（Autoregressive Model, AR）是一种时间序列预测模型，利用序列自身的过去值来预测当前值。

关键内容

1. 基本思想：
2. 今天的值，主要取决于前几天的值，再加上一个随机冲击
3. 模型形式：X(t) = a₁X(t-1) + a₂X(t-2) + ... + aₚX(t-p) + ε(t)

4. 其中p为模型阶数，ε(t)为随机误差项

5. 历史起源：

6. 由George Udny Yule于1927年首次提出并应用于太阳黑子数据分析
7. Yule试图解决太阳黑子数据中"周期性"是真实节律还是随机扰动的问题
8. 当时的传统方法是Arthur Schuster的周期图法，对"野性"数据效果不佳

9. Yule区分了两类受扰序列：叠加噪声的周期与扰动作用于机制本身的周期

10. 两类受扰序列的区别：

11. 第一类（Type I）：噪声叠加在观测值上，但不影响系统本身的运动（如相机抖动拍摄钟摆）
12. 第二类（Type II）：扰动作用于机制本身（如小孩随机弹击钟摆），太阳黑子数据属于此类

13. 太阳黑子的周期性不是被噪声掩盖的"真实信号"，而是不断被随机扰动重塑的动力学过程的外在表现

14. 物理含义：

15. Yule证明了AR(2)模型与阻尼谐振子的微分方程离散化形式一致
16. 即一个在摩擦力作用下逐渐衰减并被随机力驱动的振荡系统

17. 揭示深层规律：在随机力驱动下，任何具有"惯性"和"回复力"的系统，都会表现出类似周期性的振荡行为——即使系统中根本不存在任何确定性的周期

18. Yule-Walker方程：

19. 提供了从观测数据估计AR模型参数的系统化方法
20. 将时间序列的自相关系数与AR模型参数联系起来

21. 系数矩阵为Toeplitz矩阵，可用高效算法求解

22. 与Slutsky工作的互补：

23. Yule发展了自回归（AR）方法——用过去的值预测现在
24. Slutsky发展了滑动平均（MA）方法——展示对随机序列取滑动平均也能产生逼真的"周期"

25. 两条发展路线最终在1970年由Box-Jenkins合流为ARIMA框架

26. 现代应用：

27. 语音编码（LPC线性预测编码）
28. 金融预测（股价、利率走势）
29. 气象预报（气温、压力分析）
30. 地震学（地震波分析）
31. 脑科学（脑电图信号分析）

来源

• yule-1927-ar-model — 提出与发展历程
• 太阳黑子 — 研究案例

相关

• George Udny Yule — implements
• 时间序列分析 — part_of
• Yule-Walker方程 — extends
• ARIMA模型 — extends
• 太阳黑子 — relates_to
• Eugen Slutsky — compares_to
• 阻尼谐振子 — relates_to
• 周期图法 — contrasts_with