книги / Статистический анализ геофизических полей
..pdf4 |
] ( ъ I * t ~ p ) “ |
~v~p ( ^ }) - |
d - 4 - 5 ) |
где |
т * < т ; „ 7 , . . . л и т, |
|
|
|
|
-p, |
|
|
? f = ( T 7- |
r 7" ) |
|
|
V ® |
st~p> |
|
зависящей |
от параметре сигнала 0 . |
(Аналогичные переходные плот |
ности соответствуют мультипликативному взаимодействию сигнала с
помехой, |
когда 7 = 7t ( 7 ) f t , |
или другим способам взаимодействия, |
|||
выражаемым формулой |
•> |
7 ( 7 ) ) , где |
у" * 7 (*)<*■ ) |
задает |
|
взаимно |
однозначное |
преобразование -г*’* * / " , |
зависящее от |
о Г .) |
В соответствии с иопсльзуемой общей моделью наблюдаемого процес
са Tt = 7 ( 7 ) |
+ ^ ( 7 ) , |
где f t ( 7 ) ~ |
стационарный временной ряд, |
||
раопределение |
которого |
зависит от |
параметра |
в , рассмотрим слу |
|
чай, когда |
стационарная |
^ -связн ая |
марковокая поолодо- |
||
вательнооть с |
переходной плотностью |
«у - ( 7 |
\7/_^) . Плотность рас |
пределения выборки наблюдений в этом случае описывается формулой
|
|
|
Р(7р, 7) |
- |
|
|
|
|
|
|
|||
|
= *г |
(г7р-т7р( Г ) ) п ^ г |
(rt -rf (S )\ rf:p- 7 / : p ( Г ) |
) . |
|
а . 4 . 6 ) |
|||||||
|
Рассмотрим условия локальной асимптотической нормальности |
||||||||||||
для |
плотности |
( 1 .4 .6 ) . Будем говорить, что |
случайная функция |
|
|||||||||
f ( T , в ) |
щ!фференцируема в |
среднеквадратичном по |
в , |
если суще |
|||||||||
ствуют функции |
f k(T -,7), |
к |
е |
(частные |
производные |
f ( T , |
7 ) |
||||||
по |
параметрам |
9t ) , такие, |
что |
|
|
|
|
|
|
|
|||
|
л > г [ j y ( 0 ( ? ; ? + ! ) - / ( 7 гJ ) - 7 rf ( f ; |
0 ) ) / 2 , |
(1 ,4 .7 ) |
||||||||||
где |
7 ( 7 ; 7 ) |
• (f7 ( * ; 7 |
) |
, 7 |
7 7 7 ) ) ; £ - |
усреднение |
no pao- |
||||||
пределению вектора ?■ |
- |
|
|
|
|
|
|
|
|
|
|||
|
Переходная плотность |
u p -(7 р \?/_/ ) представляет |
собой функ |
||||||||||
цию р +1 |
векторного переменного |
Щ, 7в , ■■■, |
|
, 7 |
и векторного па |
||||||||
раметра |
в . Обозначим через |
y~(7lp H \7)=(jyt t , к е / ,т ; |
г е ^ р ) - |
||||||||||
вектор размере m * (p t ? ) логарифмических частных производных |
этой |
||||||||||||
плотности по элементам |
составного вектора |
T |
PJ t = ( z l , |
z f , ... |
, |
61
/ |
|
* в |
|
|
вектор |
размера |
f |
догаритмических |
|||||
частных производных переходной пяотнооти по параметрам |
8г : |
||||||||||||
|
h |
(*-p*-r ' 9 |
) |
ж‘ ~ Щ '1т,0^ ( Ь |
' 7о> •-> *~/ч-7 ) |
- |
(1 .4 .9 ) |
||||||
Следующая теорема |
основываетоя |
на результатах |
работ /48, 7 5 /. |
||||||||||
|
Т е о р е м а |
|
1 .4 .2 . |
Предположим, |
что для |
переходной плот |
|||||||
ности w^{Tt \ 4 : Р7 |
) |
векторной |
/>-связной марковской последователь |
||||||||||
ности |
оущеотвуют логарифмические производные |
( 1 .4 ,8 ) , (1 .4 .9 ) в |
|||||||||||
оре,днеквадратичном смысле и матрицы |
|
|
|
|
|
|
|
||||||
|
|
_ |
|
_ |
|
|
|
|
|
. |
|
|
(Г .4 .1 0 } |
|
|
|
|
|
|
|
|
I Г |
) . |
|
|
||
Предположим далее, что |
сигнал |
% (& ) имеет частные |
производ |
||||||||||
ные по параметрам |
8к -- Tk tlB )^ L - Tt ($~), |
такие, |
что |
при |
0 е ® |
||||||||
i p |
\Т ( Г ) \ г< |
m * I 5 / <-9 r f / z I & ( 9 п г~ о - (1 Л Л 1 } |
|||||||||||
Тогда |
плотность распределения |
( 1 ,4 .6 ) обладает |
свойством ЛАН, |
||||||||||
причем АД статистика |
имеет |
вид |
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
|
|
? ( % |
. * ) , |
|
(1.4 Л 2 ) |
||
где |
|
* (Ъ , |
|
{ ф г % Г № - г 7& |
ь ^ Ч * ^ * Хке1*)- |
||||||||
|
|
|
|||||||||||
|
|
$ ( * / ,, $ ) = |
{ ф г ^ |
tJ fk (**-р~Г*-Р ( 9 № |
) ’ |
k e t ’l ) ' |
|||||||
|
|
|
■^tr |
|
|
|
|
|
|
|
|
|
|
|
|
|
s*,* -p |
|
|
|
|
|
|
|
|
|
|
ПШЬ~матрица |
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
Г „ [ 8 ) = |
9 / В ) + и ( 0 ) ->■(}„(?) , |
|
( L 4 . I 3 ) |
|||||||
д а |
^ |
ь [ ж^ ^ % . ^ > ) гу ( в ) ( ^ ( в1 ) ; *Л е Г * Ь |
|||||||||||
|
|
W ? ) ~ [ } j b p+1% ( e ) T l t _p |
( Г ) , |
|
|
|
|
|
|||||
|
|
|
|
Зк с в ) ~ £ д Т ( 1 % \ в ) / к ( 1 % \ 1 ) „ |
|
62
Свойство ЛАН плотности распределения ( 1 .4 .6 ) позволяет стро ить асимптотически оптимальные решающие правила для задач обнару
жения и оценивания параметров сигналов, маскируемых -связными марковскими негаусоовокими помехами, а также для задач проверки
гипотез о параметрах |
/>-связннх марковских процессов и для оцени |
||
вания |
параметров этих процесоов. При отатистическом анализе сиг |
||
налов |
на фоне |
помех, |
когда л £ = $ £ ( / ) + |£ и помеха не зависит |
от параметра |
, формулы (1.4Л 2) и (1 .4 .13) приобретают более |
||
простой вид: |
|
|
Для задач анализа />-связных марковских процессов ^ ( 8 ) сигнал 3^(0") в формуле ( 1 .4 .6 ) тождественно равен нулю и поэтому
w h * v ( 7 ) - [ e r f k ( r l p \ e ) t t $ l p \ l ) ,
63
Г Л А В А П,
ПАРАМЕТРИЧЕСКИЙ СПЕКТРАЛЬНЫЙ АНАЛИЗ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ
1 .1 . ГЕОФИЗИЧЕСКИЕ ЗАДАЧИ МНОГОМЕРНОГО СПЕКТРАЛЬНОГО АНАЛИЗА
Спектральный анализ временных рядов (оценивание энергетиче ского спектра некоторого физического процесса по его реализации
на интервале времени, когда он может очитаться стационарным) я в ляется, пожалуй, наиболее широко применяемой технологией обработ ки последовательностей коррелированных наблюдений. Теоретическим и практическим аопектам ее посвящена огромная литература (см .,
например, обзоры /31, 5 § 7 ). |
В геофизике эта технология традицион |
но применяется для тонкого |
анализа почти периодических, или поли- |
гармонических, процессов (таких, как земные приливы, собственные
колебания Земли в ответ на сильные землетрясения |
и д р .), а также |
||
для |
выделения скрытых периодичностей, т .е . периодичеоких процес |
||
сов, |
шокируемых сильными широкополосными шумами / 527. Математи |
||
ческая модель наблюдений |
для указанных задач |
имеет вин |
|
|
* |
+ я. |
( П Л Л ) |
|
|
|
|
где |
- широкополосный шум (помеха). |
|
|
|
Однако применение спектрального анализа для обработки геофи |
зических данных не ограничивается указанной областью исследования "узкополосных" процессов, енергин которых сосредоточена на сово купности малых интервалов оои частот. При построении оптимальных статистических процедур интерпретации геофизических временных ря дов (сейсмограмм, акселерограмм, записей деформографическгос, гео химических, электромагнитных наблюдений) с целью оценивания инте ресующих физических параметров или обнаружения полезных сигналов необходимо иопользовать вероятностную модель помех и сигналов.
64
Как правило, при этом принимается гипотеза о стационарности и нормальном распределении коррелированных последовательностей на блюдений - в настоящее время почти единственная, приводящая к
практически реализуемым проце,дурам обработки. В рамках этой ги потезы вероятностные свойства наблюдений полностью определяются энергетическими спектрами сигналов и помех. Последние редко из вестны из физических соображений, но, как правило, могут быть определены с помощью постановки вспомогательных наблюдений. Ины ми словами, для обработки временных рядов часто можно применять адаптивный подход к построению статистически оптимальных проце дур, "подстраивая" последние к действующим сигналам и помехам с помощью предварительного спектрального анализа вспомогательных данных.
Такая концепция применения спектрального анализа диктует свои ограничения на методы и алгоритмы оценивания энергетических опектрсв:
4 ) адаптивный подход удобнее всего реализовать, когда в пр цессе настройки алгоритмов меняется лишь конечное число парамет ров программы обработки. Отсюда следует целесообразность приме нения параметричеоких методов спектрального анализа;
2) адаптивный подход позволяет, в принципе, осуществлять оп
тимальную обработку нестационарных (локально стационарных) вре менных рядов, энергетический спектр которых практически не меня ется в течение интервала времени, по которому выносится решение об вдтереоугацих нас параметрах "полезных сигналов". В етой ситуа ции удобны рекуррентные алгоритмы спектрального анализа, позво ляющие в реальном масштабе времени оценивать опектр по наблюде
ниям в "окользящем" интервале; 3 ) параметрические модели спектров помех и сигналов, по воз
можности максимально адекватные реальности, должны быть достаточ но просты, чтобы обеспечивать построение практически реализуемых оптимальных алгоритмов оценивания информативных геофизических па раметров и обнаружения "полезных" геофизических сигналов;
4 ) вс многих практических задачах требуется построение.веро
ятностных моделей векторных коррелированных последовательностей
наблюдений, так |
как в современной геофизике совместной обработке |
и интерпретации |
все чаще подвергаются комплексы временных рядов |
(трехкомпонеятные акселерограммы, сейсмические записи группы отанций, записи компонент векторных электромагнитных полей, со вокупность наблюдения за предвестниками землетрясений и т . д . ) .
Многомерный стационарный временной ряд |
характеризуется |
|
65 |
матричной автоковариационной функцией Сс ~ Е f t и №тричннм
энергетическим спектром Е ( л ) , связанными преобразованиями Фурье:
Е (Л ) = |
22 Сг е ит; |
] Е ( л ) е ~ гЛЕл , Г е Ж , |
л е [ о , 2 л ] . Щ .1.2) |
|||
|
Т=-<Х> |
и |
|
|
|
|
Эрмитовая |
матричная функция F ( 8 ) содержит |
m ( m - j) /2 |
комплексных: |
|||
функций и |
m действительных функций. Внедиагональные |
элементы |
||||
Е ( л ) - |
взаимные спектры компонент ряда |
- |
несут |
информацию о |
фазовых сдвигах отдельных спектральных ооотавляющих этих компо нент и вс многих случаях имеют отчетливый физический смысл (на
пример, определяют |
поляризацию и напревление прихода сейсмиче |
|||
ской волны). Задача |
|
оценивания матричного спектра |
Е (л ) по реали |
|
зации Ti f t e |
7 jf |
уже и з-за самой многомерности оущеотвенно бо |
||
лее сложна, |
чем одномерный спектральный анализ. При достаточно |
|||
больших размерностях |
тп процесса ft непараметрические оценки |
|||
Е ( л ) типа сценок Блекмаяа - Тьюки /12/ становятся |
трудно реали |
|||
зуемыми. Перестройка |
р?(тп-п)/2 функциональных зависимостей в про |
грамм адаптивной обработки часто делает ее практически неосуще ствимой (особенно в реальном масштабе времени).
Б ряде конкретных геофизических задач статистичеокие опти
мальные адаптивные алгоритмы обработки наблюдений могут быть по строены и практически реализованы на оонове аппроксимации спект ров реальных помех и сигналов спектрами процессов авторегреооии -
скользящего среднего |
(АРСС). Эти спектр: имеют следующую парамет |
|||||||||
рическую форму: |
|
|
|
|
|
|
|
|
||
|
|
F {л,В ) = Л~г(л )8 (*)8*{»)A~h7 *)> |
|
(ПЛ.З) |
||||||
ГД0 |
|
Л(л)-1 - £ |
*леШ , |
8(л)~Ьп8ке ш |
, |
|
||||
|
|
|
|
|
* |
|
Л=0 |
|
|
|
|
В» гее |
i e Q> |
hjeiim-, 8k(i>j), >*4?, |
|
||||||
*k , |
k e 7, p - матричные АР-параметры, |
8t |
, к^ Щ |
- |
матричные CC- |
|||||
параметрн. Аппроксимация спектров функциями (П Л .З ) |
эквивалентна |
|||||||||
аппроксимации самого наблюдаемого временного ряда |
Xt , t |
е |
||||||||
реализацией процеоса |
авторегреооии - |
скользящего |
среднего |
(АРСС- |
||||||
процесса, |
см. раздел |
T .I ) , |
удовлетворяющего разностному уравнению |
|||||||
|
|
|
р |
|
^ |
|
^ |
|
|
|
|
|
|
~ 22 8к %t -х + |
%2^k^t~tr' ' |
|
|
( f f .l.4 ) |
|||
где |
“fci |
последовательность |
независимых |
случайных величин с плот- |
||||||
- |
66
ностыо распределения р( ( у ), такой, что |
|
^ |
=/. Част |
|
ный случай процессов вида (П Л .4 ) при |
£ = 0 |
называется |
процес |
|
сом авторегрессии (АР-процессом), а при |
р = 0 процессом скользя |
|||
щего среднего (СС-процеооом). Как следует из |
результатов, приве |
|||
денных в разделе | Л , в |
классе АРСС-процессов |
(П Л .4 ) всегда мож |
||
но найти аппроксимацию, |
сколь угодно близкую к любому стационар |
ному регулярному процессу (если выбрать достаточно большими по радей р и # АРСС-модели).
Отметим также, что в адаптивных процедурах иногда достаточ но отрезать лишь существенные черты спектра помех или сигналов, поскольку знание их более тонких особенностей не сильно увеличи
вает эффективность обработки, но усложняет ее практическую реали зацию. В этих ситуациях порядки р я % АРСС-аппрокоимации могут быть выбраны невысокими (см . раздел П Л ). Белеете о тем, когда требуется высокая точность оценивания спектра, порядки ; i { можно выбрать большими, а размер выборки, по которой оценивается
опектр, - достаточным для получения заданной точности оценки па раметров Aj. и &к (см, раздел П .2 ). Возможность такого "планиро вания" адаптации обеспечивается тем, что для параметрических ме тодов спектрального анализа можно построить оптимальные процеду ры оценивания и вывести теоретические формулы для точности оценок.
Использование АРСС-моделей для спектрального анализа времен ных рядов имеет давние традиции в геофизике, поскольку, по суще
ству, частным случаем АРСС-моделирования одномерных процессов
( w = f ) является спектральный анализ по методу максимальной эн тропии /102?, сводящийся к поотроению оценок АР-модели ( ^ = 0) наблюдений. К оцениванию параметров АРСС-модели специального ви да оведитоя и метод Писаренко выделения гармоник из корреляцион ной функции / И 6/ . Большинство геофизических приложений послед
них двух методов касалось упоминавшихся выше задач спектрального анализа полигармонических оигналов и связано о повышенной разре шающей способностью, которую они демонстрируют по сравнению с классическим спектральным анализом на основе оглаженных периодо грамм /67, 68/ . (Разрешающая способность опектрального анализа
характеризует возможность различения двух ошктральных линий по-
лигармонического сигнала (П Л ) , |
частоты |
ж |
а)} |
которых разде |
|
лены интервалом меньшим чем \ /Т |
, где |
Т - время |
наблюдения.) |
||
Ряд |
модельных экспериментов (например, & 0Q /) |
показывает, однако, |
|||
что |
применение oOmjrx^АРСС-моделей вида |
(П Л .4 ) |
с |
р > О, Ц > О |
для опектрального анализа полигармонических сигналов может тлеть преимущества перед обоими указанными методами в отношении как
67
разрешающей способности, так и помехоустойчивости ( т .е . способ ности выделять слабые спектральные линии с малыми амплитудами ак на фоне больших линий и мощных помех nt ) .
Использование ЛРСС-моделей сигналов и помех с целью построе ния адаптивных процедур оптимальной обработки данных (спектраль ный анализ помех с целью эффективной борьбы о ними) - не столь распространенная технология в геофизике. Это связано, прежде все го , с тем, что до настоящего времени не существует доступного программного обеспечения для построения многомерных АРСС-моделей достаточно высоких порядков и размерности. Разработанную в моно графии Бекса и Дженкинса /$/ методику оценки АРСС-моделей практи чески невозможно реализовать в многомерном случае без использова ния мощных ЭВМ. Более удобен метод, предложенный Акаике /92, 9Q/, сднакс и он предполагает процедуру минимизации функции правдопо добия АРСС-модели, для которой при произвольных р и £ не из вестны аналитические выражения (а существуют лишь алгоритмы ее внчисления). В разделе ГГ.2 разработаны алгоритмы построения упро щенных асимптотически эффективных оценок параметров многомерных АРСС -моделей, основанные на теоретическом подходе, изложенном в разделе Ц .З. Они более удобны в вычислительном отношении, чем ал горитмы Акаике, и позволяют строить многомерные АРСС-модели выооких порядков и размерностей на ЭВМ со окромннми вычислительными ресурсами.
П .2. СПЕКТРАЛЬНЫЙ АНАЛИЗ МНОГОМЕРНЫХ ВРЕМЕННЫХ РЯДОВ МЕТОДОМ ПОДГОНКИ АРСС-МОДЕЛЕЙ
Подгонка АРСС-моделей под наблюдения как задача оптимально
го оценивания. Оценивание спектра временного |
ряда |
на основа |
нии аппроксимации его наблюдений |
) |
реализацией |
.некоторого АРСС-процеооа часто называют подгонкой АРСС-модели
под наблюдения. |
Процедуры |
подгонки обычно основываются на пред |
|
положении, что |
Tt , t e f j i l |
есть реализация некоторого АРОС-про- |
|
цеоса (Г .1 .4 ) порядка р,% |
о параметрами |
к е % р , sk , |
|
причем и величины ( р, £ ) |
и значения указанных параметров необхо |
димо оценить по этой реализации. Едва ли не самым важным этапом подгонки является выбор оптимальных порядков р и £ для АР и СС чаотей модели. Этой наиболее трудной и наименее разработанной
проблеме параметричеокого |
анализа временных рядов посвящен ряд |
|||
работ, например /51, 103, |
123/. Однако |
наиболее |
распространенным |
|
на практике методом выбора |
оптимальных |
значений |
р |
и £ остается |
метод перебора, когда при некоторых фиксированных |
( / > ,£ ) оцени- |
68
ваюгая соответствующие значения |
4к> |
к е Т^>, |
^ , |
к е ^ |
, пс тем |
||
т я иным критериям определяется |
качество полученной APCG-аппрок |
||||||
симации наблюдений, и далее процесс |
повторяется для |
новых значе |
|||||
ний ( A f ) . Окончательно выбираются те значения |
р |
и |
^ , |
для ко |
|||
торых качество аппроксимации оказалось наивысшим. |
|
|
|
|
|||
В настоящее время параметричеокий спектральный анализ (осо |
|||||||
бенно в многомерном случае) осуществляется на |
практике |
почти ис |
|||||
ключительно с помощью АР-моделей |
(для которых |
^ = 0 ) . |
Это связа |
но с тем, что не существовало практически удобных вычислительных процедур статистически оптимальной подгонки общей АРСС-модели.
Однако, как показано в разделе 1 .1 , |
АРСС-модель обеспечивает ап |
||
проксимацию произвольных гауссовских стационарных многомерных |
|
||
процессов максимального ранга, в то |
время как АР-модельв можно |
||
аппроксимировать только процессы, у |
которых |
ctet F (p ) > <Т > 0 |
при |
воех л е [ 0 ,2 я ]. Кролю того, использование |
и АР и СС частей |
поз |
|
воляет в ряде случаев достичь заданной точности аппроксимации |
|
||
при меньшем общем числе параметров, |
чем использование только АР |
или только СО частей. Поэтому при подгонке общей АРСС-модели по выборке наблюдений ограниченного размера суммарная погрешность
оценивания спектра |
(статистическая |
погрешность плюо ошибки ап |
|||||||||||
проксимации) |
может оказаться меньшей, чем для АР-модели. |
|
|||||||||||
|
Настоящая глава посвящена разработке и исследованию каче |
||||||||||||
ства |
эффективных вычислительных процедур оптимального оценивания |
||||||||||||
параметров многомерных АРСС-лроцеосов, |
которые могут, на наш |
||||||||||||
взгляд, расширить практическое применение параметрического |
спект |
||||||||||||
рального анализа многомерных временных рядов и полей. |
|
|
|||||||||||
|
Для построения |
оценок параметров |
Лк , к е?~р, |
gk , |
|
|
|||||||
при фиксированных ( р , ц |
) |
применяются различные статистические |
|||||||||||
методы. Простейший из них - |
метод моментов - |
привадит к |
^ - с о |
||||||||||
стоятельным оценкам |
Т*(Хм ) |
матриц |
Т е |
[кк> |
k e f^ p , |
gA> |
А е р р ] |
||||||
Параметров АРСС-процесоа, |
отвечающих условию |
|
|
|
|
|
|||||||
|
|
Итп |
Ря \ |
|
II |
) - Т i > c \ - О , |
|
|
(П .2 .1 ) |
||||
рде |
С > В - |
любое число. |
|
|
|
|
|
|
|
|
|
||
Эти оценки - |
наилучшие по |
скорости |
сходимооти при |
/у |
|
к ис |
|||||||
тинным значениям параметров. Действительно, |
нетрудно |
проверить, |
|||||||||||
что для любого компактного множества & с p s, |
s = тг(р+ц)+т(т*1 )М |
||||||||||||
значений вектора параметров АРОО-процеоса |
|
|
|
|
|
||||||||
в |
я п с (к к (у ) , k e Q |
, |
t . j e f m , |
|
|
,r,t e r,m |
) , (Q .2. 2) |
||||||
такого, что |
при всех S |
е © |
|
корни полинома d e t ( l ~ р |
|
г * ) |
лежат |
69
ВЕге единичного круга, а |
полином ttetT, Sk z * |
не |
обращается в нуль |
|||||
на единичном круге, его |
матричная спектральная плотность (1 Л .З ) |
|||||||
удовлетворяют |
условиям I |
теоремы Г .4 .1 . Гауооовский АРСС-нроцесс |
||||||
обладает |
свойством ЛАН с |
АД статистикой Тн |
и БНФ-матрицей Гн : |
|||||
* (Т» >f ) = (т т Д V t f b |
f J ’ f j ~ t r f/ |
7%- ; |
* е |
) ; |
|
|||
^ |
Г 7 ^ |
|
|
|
|
1 |
(0. 2.3 ) |
|
ГМ(> У =l w |
\ |
t r F |
~ *(Л )Г ,(Л )4Л -,А ,1«Х З ] , |
|
||||
(обозначения в |
(П .2 .3) аналогичны обозначениям в |
выражении |
||||||
( 1 . 4 . 4 ) ) . |
Отсюда для гауссовского АРСС-процеооа матрица Фишера |
|||||||
возрастает с увеличением выборки пропорционально |
А, и |
^ -соотоя- |
||||||
тельные оценки |
(1 .3 .1 7 ) |
являются VJV -состоятельными (раздел 1 .3 ) . |
||||||
АР-процессы даже в |
негауссовском |
случае являются |
/’-связны |
ми марковскими, |
и условия ЛАН определяются для них теоремой Т .4 .2 |
||||||
(и выражением |
( J . I . 2 7 ) ) . |
Поэтому, если |
плотность распределения |
||||
белого |
пума |
I t , |
порождающего негаусоовский АР-процеоо, |
||||
дифференцируема |
(в |
среднеквадратичном - |
см. раздел |
1 .4 ) |
и суще |
||
ствует |
|
|
|
|
|
|
|
|
|
|
E ir [?(%) f r(?t )][% ? / / < - |
, |
(П.2.4) |
||
ГД® |
|
|
|
( д |
\ |
|
|
то для негауссовского АР-процесса также имеет место свойство ЛАН
/4§7 в форме (Т .2 .2 5 ), |
где АД отатистика |
Тн и ПНФ-мзтрица |
/", |
||
определяются формулами |
(Т .4 .1 5 ), если подставить в них^ вместо |
||||
1*в ^ |
17*Jp ) |
переходную плотность АР-процеоса р£ (^BgT, At |
) , |
||
Следовательно, |
и для негаусоовоких АР-процеооов ПНФ-матрица рас |
||||
тет |
пропорционально размеру выборки А и |
f -соотоятельные |
оценки |
||
являются -j/F-состоятельными. |
|
|
|||
|
Наконец, |
можно показать, что при выполнении условия ( |
0 .2 .4 ) |
последнее свойство справедливо и для произвольного негауооовского АРСС-процесса. Это вытекает из возможности сведения АРСС-про- цесса к АР-процессу увеличенной размерности в определенном про странстве состояний (чаоть компонент которого ненаблюдаема) /9Q7.
Таким образом, у У -состоятельные оценки параметров АРСС-процео оа - наилучшие по порядку скорости сходимости к иотинннм значени ям его параметров.
Для построения АЗ-оценок параметров АРСС-процесоов, обэопе-
70