Возможно, вы путаете матрицу корреляции случайного вектора (многомерная случайная величина) и матрицу автокорреляции случайного процесса (стохастический процесс)...
Итак, если ваша серия представляет собой векторную авторегрессионную модель порядка 1 (какой она кажется, поэтому h'
является вашей матрицей коэффициентов), то действительно E[y(t-1)*y(t-1)']
имеет смысл и является корреляционной матрицей самого случайного вектора.
Теперь в предположении о стационарности, которую вы можете проверить, проверив, что корни x_i
из det(I - h'*x) = 0
находятся вне единичного круга (имеют модуль больше 1), тогда статистические свойства y[t_1]
эквивалентны свойствам y[t_2]
для всех больших t_1, t_2
достаточно. Итак, по сути:
E[y(t-1)*y(t-1)'] = E[y(t)*y(t)']
Если ваш процесс НЕ является стационарным, у вас проблемы, так как теперь ваша корреляционная матрица зависит от граничных условий t_0
...
Однако то, что вы, возможно, ищете, это такие выражения, как:
E[y(t)*y(t-1)'] = E[(h'*y(t-1) + n(t))*y(t-1)']
Но я не знаю, есть ли аналитические представления об этом в зависимости от E[y(t)*y(t)']
... Вы можете исследовать это в Интернете или в ссылках, которые предоставляют ваши слайды...
ИЗМЕНИТЬ:
Поскольку в ОП упоминается, что это простая авторегрессионная модель, а не векторная авторегрессионная модель, все значительно упрощается.
Для стационарных моделей AR(1) есть хорошие аналитические представления среднего значения, дисперсии и автоковариации (и, следовательно, автокорреляции), я приведу их здесь для более общей модели: y(t) = c + h*y(t-1) + n(t)
E[y(t)] = c/(1-h) --> so in your case: 0
Var[y(t)] = Var[n(t)]/(1-h^2) --> this is equal to the E[y(t)y(t)] or E[y(t-1)y(t-1)] that you are looking for
Cov[y(t)y(t-j)] = Var[n(t)]*h^j/(1-h^2)
Corr[y(t)y(t-j)] = h^j --> this is the autocorrelation in function of the timedifference j
Вы можете найти все математические выводы для них, хорошо объясненные в справочнике или на странице французской Википедии: здесь, в разделе "Моменты процесса AR(1)"
Теперь все сводится к тому, что вы ищете... E[y(t-1)y(t-1)]
просто равно E[y(t)y(t)]
по определению стационарности, возможно, вы действительно искали вывод E[y(t)y(t-1)]
, который я разработаю здесь:
E[y(t)y(t-1)] = E[(h*y(t-1) + n(t))*y(t-1)] = E[(h*y(t-1))*y(t-1)] + E[n(t)*y(t-1)]
Теперь, поскольку n(t)
— это белый шум в t, он не коррелирует с y(t-1), поэтому E[n(t)*y(t-1)] = 0
, поэтому мы имеем:
E[y(t)y(t-1)] = E[(h*y(t-1))*y(t-1)] = h*E[(y(t-1))*y(t-1)] = h*Var[y(t)] = h*Var[N(t)]/(1-h^2)
Что точно соответствует определению Cov[y(t)y(t-j)]
given выше...
Надеюсь это поможет.
person
reverse_engineer
schedule
27.11.2014
y(t)
? Это единый номер? Потому что тогда транспонирование ничего не дает, поэтому вы делаетеE[y(t-1)^2]^-1
? - person David   schedule 24.11.2014mean(y(1:end))
должно работать. Если я попробуюy=rand(1,10);mean(y)
, это даст мне скалярное значение. Не могли бы вы запуститьwhos y
и опубликовать результат здесь? - person hbaderts   schedule 25.11.2014Mean_y = mean(y,1);
- person hbaderts   schedule 25.11.2014