Одним из важных и полезных результатов является теорема о представлении Вольда (иногда называемая разложением Вольда), в которой говорится, что каждый ковариационно-стационарный временной ряд можно записать в виде суммы двух временных рядов, одного детерминированного и одного стохастического.YT
YT= μT+ ∑∞J = 0бJεт - J , где является детерминированным.μT
Второе слагаемое является бесконечной МА.
(Это также тот случай, когда обратимая МА может быть записана как бесконечный процесс AR.)
Это говорит о том, что если ряд является ковариантно-стационарным , и если мы предполагаем, что вы можете идентифицировать детерминированную часть, то вы всегда можете записать стохастическую часть как процесс MA. Точно так же, если MA удовлетворяет условию обратимости, вы всегда можете записать его как процесс AR.
Если у вас есть процесс, записанный в одной форме, вы часто можете преобразовать его в другую форму.
Таким образом, в некотором смысле, по крайней мере, для ковариационных стационарных рядов часто подходят либо AR, либо MA.
Конечно, на практике мы бы предпочли не очень большие модели. Если у вас есть конечная AR или MA, то и ACF, и PACF в конечном итоге распадаются геометрически (есть геометрическая функция, ниже которой будет лежать абсолютное значение любой функции), что будет означать хорошее приближение либо AR, либо МА в другой форме часто может быть достаточно коротким.
Таким образом, при стационарном условии ковариации и в предположении, что мы можем идентифицировать детерминированные и стохастические компоненты, часто и AR, и MA могут быть подходящими.
Методология Бокса и Дженкинса ищет экономную модель - модель AR, MA или ARMA с несколькими параметрами. Обычно ACF и PACF используются для того, чтобы попытаться идентифицировать модель путем преобразования в стационарность (возможно, путем различий), определения модели по внешнему виду ACF и PACF (иногда люди используют другие инструменты), подгонки модели и затем изучения структура остатков (обычно через ACF и PACF на остатки) до тех пор, пока ряд остатков не окажется достаточно совместимым с белым шумом. Часто будет несколько моделей, которые могут обеспечить разумное приближение к серии. (На практике часто рассматриваются другие критерии.)
Есть основания для критики такого подхода. В одном примере p-значения, возникающие в результате такого итеративного процесса, обычно не учитывают способ, которым была получена модель (путем просмотра данных); например, эту проблему можно хотя бы частично избежать, например, путем разделения образцов. Вторым примером критики является сложность фактического получения стационарного ряда - в то время как во многих случаях можно преобразовать, чтобы получить ряд, который кажется разумно совместимым со стационарностью, обычно это не тот случай, когда это действительно так (подобные проблемы являются общими проблема со статистическими моделями, хотя, возможно, иногда это может быть больше проблемой здесь).
[Отношения между AR и соответствующей бесконечной MA обсуждаются в « Прогнозировании Хиндмана и Афанасопулоса : принципы и практика» ,
здесь ]