Mathematical foundations of time series analysis : a concise introduction

Author(s)

Bibliographic Information

Mathematical foundations of time series analysis : a concise introduction

Jan Beran

Springer, c2017

  • : softcover

Available at  / 1 libraries

Search this Book/Journal

Note

Includes bibliographical references (p. 293-297) and indexes

"Soft cover re-print of the hardcover 1st edition 2017"--T.p. verso

Description and Table of Contents

Description

This book provides a concise introduction to the mathematical foundations of time series analysis, with an emphasis on mathematical clarity. The text is reduced to the essential logical core, mostly using the symbolic language of mathematics, thus enabling readers to very quickly grasp the essential reasoning behind time series analysis. It appeals to anybody wanting to understand time series in a precise, mathematical manner. It is suitable for graduate courses in time series analysis but is equally useful as a reference work for students and researchers alike.

Table of Contents

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1 What is a time series? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.2 Time series versus iid data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 2 Typical assumptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1 Fundamental properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.1.1 Ergodic property with a constant limit . . . . . . . . . . . . . . . . . . . 5 2.1.2 Strict Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.1.3 Weak Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.1.4 Weak stationarity and Hilbert spaces . . . . . . . . . . . . . . . . . . . . 9 2.1.5 Ergodic processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25 2.1.6 Sufficient conditions for the a.s. ergodic property with a constant limit. . . . . . . . . . . 26 2.1.7 Sufficient conditions for the L2-ergodic property with a constant limit . .. . . . .. . . 27 2.2 Specific assumptions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.2.1 Gaussian processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2.2.2 Linear processes in L2( ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31 2.2.3 Linear processes with E(X2t ) = . . . . . . . . . . . . . . . . . . . . . . 34 2.2.4 Multivariate linear processes . . . . . . . . . . . . . . . . . . . . . . . . . . . 37 2.2.5 Invertibility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 2.2.6 Restrictions on the dependence structure . . . . . . . . . . . . . . . . . 49 3 Defining probability measures for time series . . . . . . . . . . . . . . . . . . . . . . 55 3.1 Finite dimensional distributions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55 3.2 Transformations and equations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 3.3 Conditions on the expected value . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57 3.4 Conditions on the autocovariance function . . . . . . . . . . . . . . . . . . . . . . 58 3.4.1 Positive semidefinite functions . . . . . . . . . . . . . . . . . . . . . . . . . 59 3.4.2 Spectral distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 3.4.3 Calculation and properties of F and f . . . . . . . . . . . . . . . . . 4 Spectral representation of univariate time series . . . . . . . . . . . . . . . . . . . 81 4.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.2 Harmonic processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.3 Extension to general processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84 4.3.1 Stochastic integrals with respect to Z . . . . . . . . . . . . . . . . . . . . 84 4.3.2 Existence and definition of Z . . . . . . . . . . . . . . . . . . . . . . . . . . 89 4.3.3 Interpretation of the spectral representation . . . . . . . . . . . . . . 97 4.4 Further properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98 4.4.1 Relationship between ReZ and ImZ . . . . . . . . . . . . . . . . . . . . 98 4.4.2 Frequency . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4.4.3 Overtones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99 4.4.4 Why are frequencies restricted to the range [- , ]? . . . . . . . 100 4.5 Linear filters and the spectral representation . . . . . . . . . . . . . . . . . . . . 103 4.5.1 Effect on the spectral representation . . . . . . . . . . . . . . . . . . . . . 103 4.5.2 Elimination of Frequency Bands . . . . . . . . . . . . . . . . . . . . . . . 107 5 Spectral representation of real valued vector time series . . . . . . . . . . . . 109 5.1 Cross-spectrum and spectral representation . . . . . . . . . . . . . . . . . . . . . 109 5.2 Coherence and phase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116 6 Univariate ARMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 6.1 Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 6.2 Stationary solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127 6.3 Causal stationary solution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131 6.4 Causal invertible stationary solution . . . . . . . . . . . . . . . . . . . . . . . . . . . 133 6.5 Autocovariances of ARMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.5.1 Calculation by integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134 6.5.2 Calculation using the autocovariance generating function . . . 135 6.5.3 Calculation using the Wold representation . . . . . . . . . . . . . . . 138 6.5.4 Recursive calculation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 6.5.5 Asymptotic decay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140 6.6 Integrated, seasonal and fractional ARMA and ARIMA processes . . 147 6.6.1 Integrated processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 6.6.2 Seasonal ARMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147 6.6.3 Fractional ARIMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . 148 6.7 Unit roots, spurious correlation, cointegration . . . . . . . . . . . . . . . . . . . 159 7 Generalized autoregressive processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163 7.1 Definition of generalized autoregressive processes . . . . . . . . . . . . . . . 163 7.2 Stationary solution of generalized autoregressive equations . . . . . . . . 164 7.3 Definition of VARMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168 7.4 Stationary solution of VARMA equations . . . . . . . . . . . . . . . . . . . . . . 169 7.5 Definition of GARCH processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171 7.6 Stationary solution of GARCH equations . . . . . . . . . . . . . . . . . . . . . . . 172 7.7 Definition of ARCH( ) processes . . . . . . . . . . . . . . . . . . . . . 7.8 Stationary solution of ARCH( ) equations . . . . . . . . . . . . . . . . . . . . . 177 8 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 8.1 Best linear prediction given an infinite past . . . . . . . . . . . . . . . . . . . . . 181 8.2 Predictability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182 8.3 Construction of the Wold decomposition from f . . . . . . . . . . . . . . . . . 187 8.4 Best linear prediction given a finite past . . . . . . . . . . . . . . . . . . . . . . . . 190 9 Inference for , and F . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 9.1 Location estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195 9.2 Linear regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197 9.3 Nonparametric estimation of . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205 9.4 Nonparametric estimation of f . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211 10 Parametric estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227 10.1 Gaussian and quasi maximum likelihood estimation . . . . . . . . . . . . . . 227 10.2 Whittle approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229 10.3 Autoregressive approximation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232 10.4 Model choice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233 References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237 Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243 Subject Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

by "Nielsen BookData"

Details

Page Top