ケィオスの時系列解析メモランダム

時系列解析,生体情報学,数学・物理などの解説です.

【確率過程・時系列解析】自己回帰過程の特性方程式の解と定常性

今回は,自己回帰過程の特性方程式の解と定常性の話です.特性方程式の解が,単位円の内側とか外側とかいう話の説明をします.

M次自己回帰過程 (以下のw[n] は,平均0,分散\sigma^2の白色ノイズです)

  \begin{eqnarray} y[n] &=& a_1 y[n-1] + a_2 y[n-2] + \cdots + a_m y[n-m] + w[n] \\ 
&=& \sum_{m=1}^M a_m y[n-m] + w[n] \end{eqnarray}

をラグオペレータLを使って書けば,

  \begin{eqnarray} y[n] &=& \sum_{m=1}^M a_m L^{m} y[n] + w[n] \\
\left(1- \sum_{m=1}^M a_m L^{m} \right) y[n] &=&  + w[n] \\
y[n] &=& \frac{1}{\displaystyle 1- \sum_{m=1}^M a_m L^{m}}w[n]  \end{eqnarray}

と書けます.これは,以前にパワースペクトルを求めるときにも書きました.今回は分母のLを,なぜかzで置き換えた式,

 \displaystyle 1- \sum_{m=1}^M a_m z^{m} = 0

の解 (根)についてのお話です.(根って何?解と違うの?という疑問があるかたは,「根」では重解も,1個ずつメンバとして,大切に数えてあげるのだと覚えてください.同じものです)

 この式を特性方程式と呼びます.

\displaystyle 1- a_1 z- a_2 z^{2} - \cdots - a_M z^{M} = 0

ほとんどの教科書や,ホームページでは,この方程式の解(根)が,すべて単位円の外側にあれば (絶対値が1よりも大きければ),自己回帰過程は安定とか,弱定常とかさらっと書いてあります.何で?って疑問に思う人は多いと思います.ということで,説明します.

 特性方程式の根 (複素数もありえます)を

 \lambda_1, \lambda_2, \cdots, \lambda_M

とすれば (根なので必ずメンバはM個です),特性方程式は,

 \displaystyle \left( 1 - \frac{z}{\lambda_1} \right) \left( 1 - \frac{z}{\lambda_2} \right) \cdots \left( 1 - \frac{z}{\lambda_M} \right) = 0

因数分解できます.これを,元の自己回帰過程の式に反映させると (zをLにして),

  \begin{eqnarray} y[n] &=& \frac{1}{\displaystyle 1- \sum_{m=1}^M a_m L^{m}}w[n] \\
&=& \frac{1}{\displaystyle \left( 1 - \frac{L}{\lambda_1} \right) \left( 1 - \frac{L}{\lambda_2} \right) \cdots \left( 1 - \frac{L}{\lambda_M} \right) }w[n]  \end{eqnarray}

となります.右辺の分数の部分は必ず部分分数分解できるので (これは認めてください),

  \begin{eqnarray} y[n] &=& \frac{1}{\displaystyle \left( 1 - \frac{L}{\lambda_1} \right) \left( 1 - \frac{L}{\lambda_2} \right) \cdots \left( 1 - \frac{L}{\lambda_M} \right) }w[n] \\ 
&=& \left( \frac{c_1}{\displaystyle 1 - \frac{L}{\lambda_1}} + \frac{c_2}{\displaystyle 1 - \frac{L}{\lambda_2}}+ \cdots + \frac{c_M}{\displaystyle 1 - \frac{L}{\lambda_M}} \right)  w[n] \\ \\
&=& \frac{c_1}{\displaystyle 1 - \frac{L}{\lambda_1}} w[n]+ \frac{c_2}{\displaystyle 1 - \frac{L}{\lambda_2}} w[n]+ \cdots + \frac{c_M}{\displaystyle 1 - \frac{L}{\lambda_M}} w[n] 
\end{eqnarray}

となります. \{c_1, c_2, \cdots\}には定数が入ります.

 \displaystyle c_k = \left. \frac{ \displaystyle \left( 1 - \frac{z}{\lambda_k} \right)}{\displaystyle \left( 1 - \frac{z}{\lambda_1} \right) \left( 1 - \frac{z}{\lambda_2} \right) \cdots \left( 1 - \frac{z}{\lambda_M} \right) } \right|_{z = \lambda_k}

ですで,

  \begin{eqnarray} y[n] &=& \frac{c_1}{\displaystyle 1 - \frac{L}{\lambda_1}} w[n]+ \frac{c_2}{\displaystyle 1 - \frac{L}{\lambda_2}} w[n]+ \cdots + \frac{c_M}{\displaystyle 1 - \frac{L}{\lambda_M}} w[n] 
\end{eqnarray}

の右辺の各項が収束すれば,この過程は安定とか,定常とか,そういうことです.要は,y[n]が,n \to \inftyで発散しなければ,めでたしめでたしです.

 ということで,

  \displaystyle \frac{c_k}{\displaystyle 1 - \frac{L}{\lambda_k}} w[n]

について考えてみます.前にもやりましたが,分数の部分について,マクローリン展開,あるいは,無限等比数列の和の公式をまねて展開します.

  \begin{eqnarray} \frac{c_k}{\displaystyle 1 - \frac{L}{\lambda_k}} w[n] &=& \displaystyle \left(1 + \frac{L}{\lambda_k} + \left( \frac{L}{\lambda_k} \right)^2 + \cdots  \right) w[n] \\ 
&=& \displaystyle w[n] + \frac{L}{\lambda_k} w[n] + \left( \frac{L}{\lambda_k} \right)^2 w[n] + \cdots \\ 
&=& \displaystyle w[n] + \frac{1}{\lambda_k} w[n-1] + \frac{1}{\lambda_k^2} w[n-2] + \cdots \end{eqnarray}
 
これの分散を計算すれば (分散を {\rm Var}で表します)

 \begin{eqnarray} && {\rm Var} \left[ w[n] + \frac{1}{\lambda_k} w[n-1] + \frac{1}{\lambda_k^2} w[n-2] + \cdots \right] \\
&=&  {\rm Var} \left[  w[n] \right] + {\rm Var} \left[ \frac{1}{\lambda_k} w[n-1] \right] + \cdots \\ 
&=&  \sigma^2 + \frac{\sigma^2}{\lambda_k^2}  + \frac{\sigma^2}{\lambda_k^4}  + \cdots  \end{eqnarray}

となります.公比が,1/\lambda_k^2等比数列になっています (\lambda複素数の場合,1/|\lambda_k|^2にした方がいいかも).これが,収束する条件は,

 \displaystyle \left| \frac{1}{\lambda_k^2}\right| < 1

なので,

 \displaystyle \left|\lambda_k \right| > 1

であれば (複素数でも実数でも,絶対値が1より大きければ),上で計算していた分散は,

 \displaystyle \frac{ \sigma^2}{1-1/|\lambda_k|^2}

に収束します.これと似た計算がM個ありますが,特性方程式の解 (根)の絶対値が,すべて1より大きければ,全体も収束します.ということで,

特性方程式
 \displaystyle 1- a_1 z- a_2 z^{2} - \cdots - a_M z^{M} = 0
の解 (根)の絶対値がすべて1より大きければ,自己回帰過程は発散しねー

ということがわかります.途中がわからなければ自分で勉強してください.他にもっとエレガントな方法や,間違いがあるかもしれません.他人を安易に信じないでください.