Econometrias

29/8/2019 Sobre la especificación teórica y las propiedades de muestreo de series temporales autocorrelacionadas
Página 1
Sobre la especificación teórica y las propiedades de muestreo de series temporales autocorrelacionadas

Autor (es): MS Bartlett
Fuente: Suplemento del Journal of the Royal Statistical Society, vol. 8, núm. 1 (1946), págs.
27-41
Publicado por: Wiley para elSociedad estadística real
URL estable: http://www.jstor.org/stable/2983611 .
Acceso: 19/09/2013 12:33
Su uso del archivo JSTOR indica su aceptación de los Términos y condiciones de uso, disponibles en .
http://www.jstor.org/page/info/about/policies/terms.jsp
.
JSTOR es un servicio sin fines de lucro que ayuda a académicos, investigadores y estudiantes a descubrir, usar y desarrollar una amplia gama de
contenido en un archivo digital confiable. Utilizamos tecnología y herramientas de información para aumentar la productividad y facilitar nuevas formas.
de beca Para obtener más información acerca de JSTOR, comuníquese con support@jstor.org.
https://translate.googleusercontent.com/translate_f 1/15
Wiley y Royal Statistical Society están colaborando con JSTOR para digitalizar, preservar y ampliar el acceso a
Suplemento al Journal of the Royal Statistical Society.
http://www.jstor.org
Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

Todo uso sujeto a Términos y condiciones de JSTOR
Página 2
1946] 27
SIMPOSIO DE AUTOCORRELACIÓN EN SERIE DE TIEMPO
CONTENIDO
Página
Sobre la especificación teórica y las propiedades de muestreo de series temporales autocorrelacionadas. Por MS
BARTLETT .... ... ... ... ... ... ... ... ... ... ... ... ... 27
Algunos instrumentos para el análisis de series temporales y su aplicación a la investigación textil. Por
GAR FOSTER ... ... ... ... ... ... ... ... ... ... ... ... 42
Procesos aleatorios en problemas de guerra aérea. Por LBC CUNNINGHAM y WRB HYND ... 62
EN LO TEÓRICO ESPECIFICACIÓN Y PROPIEDADES DE MUESTREO DE AUTOCORRELADOS

SERIES DE TIEMPO
Por MS BARTLETT
[Lea antes de la SECCIÓN DE INVESTIGACIÓN DE LA REAL SOCIEDAD ESTADÍSTICA, 29 de enero de 1946,

DR. J. WISHART en la silla.]
CONTENIDO
1. Observaciones preliminares.
2. Fórmulas de error estándar para las autocorrelaciones de series de tiempo discretas. (a) El Markoff
proceso. (b) El proceso general.
3. La especificación de series temporales continuas por sus funciones de autocorrelación.
4. Formulk de error estándar para las autocorrelaciones de series temporales continuas. (a) El Markoff
proceso. (b) El proceso general.
5. Especificación detallada del proceso de segundo orden.
6. El problema de estimación; Información teórica disponible sobre los parámetros desconocidos.
Aplicación a los números de manchas solares de Wolfer.
7. Observaciones finales.
8. Referencias.
1. Observaciones preliminares
Fue sugerido en la reunión RSS en la cual el reciente artículo del Sr. MG Kendall (9) sobre
Se leyó un análisis de series de tiempo que debiera seguir debatiéndose sobre el problema de la
ardua labor de cálculo de correlogramas. Si bien entiendo que los oradores posteriores describirán
nuevos métodos para calcular correlaciones automáticas u otras correlaciones en serie, * el propósito del presente símbolo
.posium interpreto o ser más amplio, ya que no sirve de nada saber cómo calcular los coeficientes de correlación
si no sabemos lo que significan Ahora, su interpretación depende de dos interdependientes.
cosas: la adecuación del esquema teórico asumido y la magnitud del muestreo
fluctuaciones Kendall, siguiendo a Yule (18), ha enfatizado que para la mayoría de las series de tiempo un autorregresivo
o el esquema de autocorrelación es más relevante que el supuesto de oscilaciones armónicas exactas
detectable por análisis de periodograma. También ha señalado la necesidad de unir teóricamente
resultados sobre este problema de los diversos campos de investigación donde ha surgido, por ejemplo, en economía,
meteorología, artillería o en la teoría de las fluctuaciones eléctricas. Sin embargo, como en ciertos
Respetos, sentí que se detuvo en su presentación de la teoría de la autocorrelación, tanto en general como
Sobre la cuestión particular de los errores de muestreo, mi propósito aquí será doble:
(i) Ampliaré algunas sugerencias 1 hechas en la discusión en su documento sobre el
errores de muestreo de un correlograma. El formulk que obtengo es bastante crudo, y en algunos casos
no son nuevos, pero sirven para indicar el orden de magnitud de los errores.
(ii) Intentaré vincular el trabajo de la "escuela de inglés" con el trabajo que tiene
descuidado, a saber, el importante trabajo matemático desarrollado en los últimos años sobre el auto-
teoría de correlación de series temporales continuas. No intentaré ninguna revisión exhaustiva,
pero conocerlo parece esencial para cualquiera que investigue la teoría del tiempo.
* Kendall ha empleado el término autocorrelación para denotar un valor verdadero cuyo valor observado
es la correlación serial Usaré lo que creo que es una terminología más lógica, es decir, correlación serial
para cualquier correlación
de una serie de tiempocon otro, y autocorrelación para la correlación serial particular
de una serie consigo misma. La notación estándar de p para una correlación verdadera coeficiente, yr para la muestra
valor, será utilizado.

Todo uso sujeto a los Términos y Condiciones de JSTOR
Página 3
28 BARTLETT-Sobre la especificación teórica y [No. 1,
serie. En particular, mostraré que para el proceso oscilatorio de segundo orden considerado
por Yule y Kendall conduce a una comprensión más fundamental del problema dual de la especificación
y errores de muestreo.
2. Formulce de error estándar para las autocorrelaciones de series temporales discretas

Será conveniente obtener de inmediato la fórmula de error estándar apropiada para discreta
series temporales del tipo general discutidas por Kendall (7, 8, 9) y otros. A lo largo de este artículo
Consideraré solo series para las cuales los valores esperados son funciones simplemente de los intervalos entre
los términos de la serie; Esta propiedad caracteriza las series temporales estacionarias, en contraste con las series temporales.
series que están "evolucionando" y para las cuales el cálculo de correlaciones seriales de sucesivas
las observaciones no tendrían sentido. Para el proceso lineal más simple tenemos
.
X8 + I = pXs + Os + I * ****** (1)
donde es + es independiente de xs. Por conveniencia, se supone xs "estandarizado", es decir, el

valor esperado E {xs} -0 y E {XS2} = 1. En el esquema (1) x +1 depende solo de xs, xs 1,
a través de xs, las correlaciones parciales con XSL, . . ., cuando x. se da, siendo cero. Es
denominado proceso Markoff, debido a su relación con las secuencias o "cadenas" de variables
estudiado por Markoff (cf. Khintchine, 10, p. 604).
(a) El proceso Markoff.-Evaluamos por simple álgebra (cf 2) las expresiones
var (var) -E {(> Xr2) 2 / In2} 1,
var (cov) XE {( XrXr+ s) 2nl 2} p2s
cov (var, cov) E {l2Xr2) (XIXrn) ln} - PD,
donde la suma es sobre las n observaciones Xr (r = 1... n). Se propone dar solo
el primer término dominante en la expansión de los resultados en potencias de 1 / n; a este orden, medir
El comentario de la media muestral, o "efectos finales" (para s <n), puede ser descuidado. Obtenemos
var (var) + 2) (I + p2)

(
var (cov) 1 [(1 + (2)

1-p2s) 2 + p2s {2s + (Y + 2) (1 - + - 2)}]
c6v (var, cov) - [2s + (y + 2X1 j) p2)]
donde y es la medida de no normalidad E {x4} - 3. Dado que en el mismo orden, si rs denota el

correlación con el retraso s obtenido de la serie,
var (rj) - var (cov) + pS2 var (var) - 2p, cov (var, cov),
obtenemos finalmente, independientemente de y,
var (rs) I [(1 + 1 p2 - ) -2sps2] . (3)
donde ps = pS. Cuando s es lo suficientemente grande como para que p5 sea pequeño, esto se convierte en
var (rs) -. (4)
un resultado que se obtiene más fácilmente de la fórmula para var (cov).

(b) El proceso general.-Las formulaciones anteriores se dan como referencia, pero son limitadas
utilizamos en la práctica porque generalmente tenemos que lidiar con series de tiempo de carácter más complicado.
Para la generalización de (1) a un esquema autorregresivo lineal de cualquier otder, o de hecho para cualquier
series de tiempo, por supuesto, podemos escribir sumas formales que corresponden a los resultados anteriores para
El proceso de Markoff. El resultado más general que requerimos es (xs estandarizado)
cov (covsy covs +,) E {(2xrxr + s) (Exrx, + s + t) / n1 - PsPs + tg
que con el mismo orden de aproximación que antes se convierte

00
Yo
yo E
(5)
n v = - oo (PvPv + t + Pv-sPv + s + t + KV, s ,,)

Página 4
1946] Propiedades de muestreo de series temporales autocorrelacionadas 29

donde Kt, st es la primera seminvariante que involucra las cuatro variables xr, Xr + S, X; + v
Xi + +? + T,
y es una función de sus intervalos separados caracterizados por los suficientes v, s, t.
Cuando los xr se distribuyen normalmente, la fórmula (5) se reduce a
yo (PVPV ++PV-SPV + S + t) . (6)

nv = -co
un resultado útil dado previamente por Daniell (5). * *
Para obtener var (var); var (cov); cov (var, cov), ponemos s = t 0; t 0; s 0 y t = s
-respectivamenteen (5) o (6). Así obtenemos de (6):
** 00
var (rs) - (p2
(V + v-sPv + s+ 2P2PV - 4pspvpv-s)
S
(7)
nv = -oo
Un caso especial importante es cuando el valor verdadero ps se ha vuelto pequeño. Los errores de muestreo de
las correlaciones son entonces, como se señaló para el proceso Markoff, aproximadamente equivalentes a las del
Covarianzas correspondientes. Obtenemos de (6) cuando p. es insignificante para w> s,
00
yo m0
var (r8)> - mi pV2, cov (rs, rs + t) y-- E
1
pvpv + t (8)
nv = -coo nv = -o
La fórmula (4) es el caso especial de var (rs) en (8) cuando ps = ps. Cabe señalar que el general
término XrXr + sXuXu + s + t ser promediado en la expresión original para cov (cov) puede contribuir
solo un término pvpv + t (donde v = u - r), si s es lo suficientemente grande para la dependencia de xu, de xr a
ser insignificante para u > Is, y, bajo esta condición, (8) será cierto independientemente de la normalidad
condición. Entonces son equivalentes a la fórmula de Slutsky para las autocorrelaciones de la serie r
cuando ps es insignificante (15, ecuación (5), p. 128) .t
Sin embargo, podemos ir más allá de esto para una amplia clase de series de tiempo para las que estoy usando el
Título genérico de procesos lineales. Estos se caracterizan por la propiedad de que cualquier término xs es el
superposición lineal de los efectos de varios valores independientes? w de una variable aleatoria ?
para que podamos escribir:
00
Xs = YE g (s - W) W. (9)
== -oo
donde la función g (s - w) 0 para w> s. Hemos tenido un ejemplo simple de tal lineal
proceso en el proceso Markoff (1). De (9) se deduce a la vez de las propiedades de semin-
variantes que la función simultánea acumulativa o seminvariante
K (r1, T2, T3, T4) log E {exp i (XlXr + 'r2Xr + s + ' r3Xr + v + 'r4Xr + v + s + t)}
00
K, (1g (w) + 2g (WS) + '3g (WV) + '4g (W t)) .

(10)
-VS
donde K (8r) es la función acumulativa de ? Por lo tanto
62 (x) var (x) - a2 (?) Eg2 (w) 1

COv (xr, Xr + s) - a2 (?) Wg (W) g (wS) (1)
K4 (X)
K4 (2) Yg
4 (W)
- - - v- s-
KV s = K4 (s) E2g (W) g (w S) g (w V) g (w t)
y mi Yo s = K4 (?) {Z20g (w) g (w - s)} {YUg (u) g (u - s - t)}

v = -00
= y (?) covs. covs + t

(12)
De este último resultado (12) obtenemos fácilmente de la fórmula general (62 (x) 1)
cov (rs, rs + t) - cov (covsy covs + t) + psps + var (var) - p8 cov (var, covs + t) - ps + cov (var, covy)
* Estoy en deuda con el Dr. HE Daniels por esta referencia,
que no ha sido generalmente publicado.
t En su artículo, Slutsky también se refiere a un documento anterior "Sobre el error estándar de la correlación
coeficiente en el caso de homogéneo, serie de oportunidad coherente "(en ruso), Transacciones de la Con-
coyuntura Instituto 2 (1929), 94. Desafortunadamente No he podido ubicar este documento en ninguna parte de este
país.
Página 5
el resultado de que para cualquier proceso lineal del tipo (9) cov (r8, r, +) o var (r8) están al presente
orden de aproximación independiente de la distribución de xs; entonces cov (r8, r8 +?) se convierte
00
yo
cov (rs, rs + ) - E (PvPv + s + PvPv + 2s + t + 4PsPs + tPv2- 2PsPvPs + v + t - 2ps + tPvPv + s) (13)
nv = -oo
Los resultados bastante curiosos en (8) que las propiedades de muestreo de r, cuando p5 se ha vuelto pequeño
depende de la "variatice" y las covarianzas de pv en el correlograma parecen suficientes para explicar
la reticencia de un correlograma observado a reducirse a cero con ps, un punto que preocupaba
Kendall cuando lo encontró empíricamente. De (8) vemos que el error estándar de rs
siempre sea mayor que 11 / Vn, y que el correlograma observado conservará un reglamento engañoso
larity incluso cuando ps es cero, el correlograma para los valores vecinos de rs es el " correlograma"
del verdadero correlograma.
Por ejemplo, consideremos la serie artificial de Kendall (ver 8, Tabla 3)
Xs + 2 = -1Xs + 1 - 05xs + S + 2 . (14)
para cual Ps + 2 = 11p8 + 0- 5p .s (15)
Kendall, dando valores de rs hasta s = 30, obtuvo un rs de - 057 para s = 25 (para un n de 65),
con r26 = -0-56 y r24 = - 043, valores que parecían inesperadamente altos en comparación con
los valores verdaderos ps, que efectivamente tienen cayó a cero después de s = 10. Pero a partir de los valores verdaderos
de ps, obtenida más fácilmente en sucesión de (15), y recientemente dada por Kendall (Tabla II en su
Apéndice a 18), obtenemos var (rs) - 2 44 / n, y un "correlograma" del correlograma como se muestra
en la tabla I.
TABLA I
Correlaciones en las correlaciones ps
t a t a t a
1 +0 832 77 -0 118 13 -0 015

2 +0 434 8 +0 022 14 -0 027
3 +0 002 99 +0 096 15 -0 024
44 -0 286 10 +0 102 dieciséis -0 012
55 -0 364 11 +0 071 17 -0 010
66 -0276 12 +0019 18 años + 0-005
Si consideramos rs para s 11 a 30, s ya no es pequeño en comparación con el número total (65)

de observaciones. Por lo tanto, es una aproximación bastante mejor para cada s considerar n como el
número de pares de observaciones realmente correlacionadas (cf. Daniell, 5). Esto da para el mismo rango
de s un valor promedio de var (rs) de 0 053. El valor observado se calculó como o0o83, con un
Número efectivo de grados de libertad inferior a 20 debido a la fórmula (8). Si suponemos que
podemos tratar los términos rs de forma análoga a los términos de la serie temporal original, pero con el correlograma
de la Tabla I, para la cual Za, 2 (sumado sobre todo t) es 3-42, el número efectivo de grados de libertad
será más como 20/3 42- 6. Una relación 0 083/0 053 con 6 df no alcanzaría el 5 por ciento.
Nivel significativo. Esta adaptación de las pruebas estándar es ciertamente tosca, pero una prueba basada en el
valor absoluto más alto observado, 0o57 (para el cual n = 40, y el tamaño efectivo de la muestra del cual
Es el miembro más grande de nuevo alrededor de 6), daría una conclusión similar. Por lo tanto, puede ser
incluyó que los valores observados de rs han salido un poco altos, pero no significativamente asi que. Con
¡correlogramas que evidentemente debemos tener cuidado de no permitir que la cola mueva al perro!
Para un proceso de Yule-Kendall como (14), ps tiene la forma xjls + (1 - X) 2s y Ep, 2 teóricamente
sumable de manera similar para cualquier proceso lineal más general. Pero en la práctica, a menudo es más sencillo
evalúe os 2 directamente de los valores numéricos como arriba. Si no se conoce el p5, es, sin embargo,
no tiene sentido considerar Ers2, ya que var (rs) para n grande es de orden 1 / n, y la serie no puede
converger. El único procedimiento válido parecería ser ajustarse a un esquema teórico que contenga
uno o dos parámetros desconocidos, como el esquema autorregresivo anterior, y obtener ZpS2 de
El correspondiente correlograma teórico. Puede ser que un análisis puramente autorregresivo sea
suficiente, y esto tiene la ventaja de que las pruebas habituales de regresión de importancia, aunque
no exactamente aplicable, será aproximadamente válido para n grande (ver 12). Si, por ejemplo, un esquema
como (14) fuera correcta, la regresión múltiple de xs + 2 en xs 1, xs 2, . . . cuando xs + 1 y xs son

Página 6
mantenido constante, debe ser cero. Desafortunadamente, como Yule y Kendall han señalado, super-
El error planteado complica dicho análisis. Otras complicaciones que surgen cuando tal
El análisis se aplica a series temporales continuas que se analizan en las secciones 5 y 6.
En algunas de las fórmulas de varianza anteriores para autocorrelaciones, el número efectivo de
los grados de libertad se han reducido por el factor 1 / EpY2 . Este resultado puede compararse con
Factor 1 de Yule / Ep. para la varianza de la media (19), pero, a diferencia del último factor, es esencialmente
menos que uno. En la discusión sobre el artículo de Kendall (9), Champernowne parece haber sugerido
Gestionó el uso del factor Yule, o al menos su valor de (1 - p) / (l A 'p) si la serie es un Markoff
proceso, para probar la significación en el análisis del periodograma. Pero en tal análisis probamos el
importancia de una media ponderada, siendo las ponderaciones los coeficientes armónicos apropiados; la
El factor será en consecuencia una función de estos coeficientes. Es cierto, se puede demostrar que
Para un proceso Markoff, el valor mínimo del factor es (1 - I p) / (1 + I p I), que es igual a
El factor Yule si p es positivo. Pero tampoco está claro cuál es la interpretación de tal prueba
sería. En la hipótesis nula de que no existe un término armónico, podríamos identificar el auto-
correlaciones en este factor con las de la serie (con las precauciones apropiadas, como para Ep, 2 arriba).
Pero si hay un dañino término, Ep, incluso para una serie infinita no convergería (cf. Wold 21,
sección 17). A menos que adoptemos el laborioso procedimiento de aislar los residuos por separado
estudio, estamos en peligro de eliminar el sesgo de encontrar términos armónicos cuando no existen
a costa de nunca encontrarlos cuando existen. Y, por supuesto, sigue siendo importante estudiar
Las oscilaciones intrínsecas en la serie autocorrelacionada, que corresponde a su correlograma.
un "periodograma" de un completamente diferente carácter (ver sección 3 de este documento). No debemos
¡tira al bebé con el agua del baño!
3. La especificación de series temporales continuas por su autocorrelación funciones

Habría sido evidente que la naturaleza discreta de nuestras observaciones en muchos aspectos económicos y
otras series temporales no reflejan ninguna falta de continuidad en las series subyacentes. Así teóricamente
En general, debería ser más fundamental eliminar esta artificialidad impuesta. Un unem-
el índice de despliegue no deja de existir entre lecturas, ni el péndulo * de Yule deja de existir
oscilación. Esta nueva concepción de procesos aleatorios o estocásticos continuos aún no es familiar para
muchas personas; Le debo mi comprensión personal de su importancia al Sr. JE Moyal y a su
propias contribuciones fundamentales a su desarrollo (13). La teoría general se originó principalmente
con la "escuela rusa" de Khintchine, Kolmogoroff, Slutsky y otros, pero ha sido
cada vez más estudiado y aplicado en otros lugares; especialmente en América y en este país durante
la guerra.
Para ver su relevancia para los esquemas considerados en la sección 2, supongamos que primero generalizamos el
autocorrelación para el proceso Markoff a la autocorrelación función
p (s) = e1s, (s> 0). (16)
donde el intervalo de tiempo s ya no es necesariamente un múltiplo integral de un intervalo de tiempo unitario. Esta
La función de autocorrelación aún conserva la propiedad única de que las correlaciones parciales de x, + 8
con x, - (r > 0) para x dado, son cero.
Matemáticamente, las propiedades de los procesos continuos pueden estudiarse a través de su auto-
funciones de correlación Debemos, por supuesto, tener cuidado de limitar nuestra atención a lo permitido
funciones de autocorrelación, y aquí el teorema de Khintchine (10) sobre el "espectro" o armónico
El análisis de la función de autocorrelación es relevante. Esto establece que un necesario y suficiente
condición para que p (s) sea la función de autocorrelación de un proceso estocástico estacionario continuo
es eso
p (s) / cos cs dF (c). (17)

donde dF (co) representa una "función de distribución". Por ejemplo, si p (s) -
e-ts, (s_> 0) y (desde
p (s) es una función simétrica en s), p (s) = et '(s? 0), podemos obtener dF (co) = f (c) dc por el inverso
relación
f (x) f e-Is cos xs ds =

2 +
* Yule (18); vea la sección 5 de este documento.

Página 7
Como f (w) es una función de distribución válida en este caso, también lo es p (s) una función de autocorrelación válida.
También es conocido (por ejemplo, Rice, 14, Parte II, donde el importante trabajo matemático de Wiener, 20, sobre
se hace referencia a este aspecto de la teoría) de que la función f (w) da las intensidades para diferentes "fre-
"w / 27r correspondiente a un análisis armónico de la serie temporal original xl, de modo que
es una relación única entre los análisis armónicos y de correlación de una serie temporal (para el
relación correspondiente para series discretas, ver Wold loc. cit.). El espectro anterior para el Markoff
El proceso proporciona una banda continua de frecuencias c / 27r, lo que enfatiza la posible irrelevancia de un
análisis de periodograma estándar para tales procesos. Es solo cuando la función integrada F (W)
es una función escalonada que discreta frecuencias y períodos correspondientes en el sentido clásico
existe.
Si bien la teoría anterior nos permite estudiar varias funciones de autocorrelación permitidas,
Todavía me parece importante establecer, si es posible, un mecanismo teórico más detallado para
representan una serie de tiempo. Si podemos hacer esto, no solo nos aseguramos automáticamente de que
la función de correlación es válida, pero encontramos lo que es, y quizás obtengamos también más conocimiento
sobre las propiedades distributivas del proceso. Porque hemos visto en el caso de procesos lineales
que la función de autocorrelación no agota las propiedades de distribución a menos que el proceso
es normal." Las condiciones generales de consistencia para los momentos superiores del producto no son, hasta ahora
Como yo sé, conocido. Y además nuestra función de autocorrelación postulada, a primera vista
razonable, puede resultar incorrecto para el proceso particular que tenemos en mente. por
ejemplo, es común postular la siguiente función más simple a (16) para un proceso continuo como
p (s) = e- "s cos Xs, (s> o). (18)
en el caso de que haya oscilaciones, pero en la sección 5 se muestra que esta función, mientras que un
Función de autocorrelación permitida, no es correcto sin modificación para el segundo particular
proceso de pedido establecido.
Volviendo, entonces, a una justificación de (16), podríamos seguir el argumento típico utilizado en
aplicaciones físicas como el problema del movimiento browniano, y supongamos que (1) todavía se mantiene con
tanto el intervalo como el incremento aleatorio se hicieron infinitesimales. Esto, sin embargo, es demasiado especializado.
supuesto para el presente propósito, ya que mientras conduce a (16), también conduce a una distribución normal
para x, (cf., por ejemplo, 3). Puede generalizarse suponiendo que, si bien los incrementos aún pueden
ser finito, su ocurrencia es aleatoria en el tiempo; esta suposición (que está relacionada con lo homogéneo
proceso aleatorio discutido por Cramer, 4, cap. 7) todavía conduce a una función de autocorrelación del
misma forma sin restringir La naturaleza de la distribución de x. Esto será más conveniente
demostrado en detalle para el proceso de segundo orden. Pero antes que nada quiero grabar el estándar
Fórmula de error correspondiente a las indicadas en la sección 2.
4. Fórmula de error estándar para las autocorrelaciones de continuo serie temporal

Si suponemos que tenemos un registro continuo de x, podemos evaluar los resultados correspondientes
a aquellos en (2) simplemente reemplazando sumas por integrales. Tenemos, por ejemplo,
var (var) 3E (f0 xt2dt) 2 / T2}.
(a) El proceso Markoff.-Por tales métodos obtenemos para el proceso Markoff cuando T es
grande,
var (var) +2
var (cov) + Ps 2 +T (19)
cov (var, cov) pf +2 ?+ 2
donde s ya no es necesariamente un número entero. Por lo tanto
var (rs) [1 - pS2 (2sV + 1)] / T. (20)

o cuando p5 es pequeño,
var (rJ) - 1 /: 1T. (21)
Puede preguntarse "¿Cuál es la relevancia de tales resultados cuando en la práctica probablemente tengamos que

Página 8
tomar un conjunto finito de observaciones? "El punto es que sí indican el muestreo intrínseco
precisión de una serie de longitud T en contraste con eso en el número arbitrario de observaciones que
Por casualidad haber hecho. Siempre podemos generar una serie discreta como un conjunto de observaciones realizadas
a intervalos regulares en la serie continua (en general, lo contrario no es cierto, por ejemplo, si p <Oin
(1) cf. Wold loc. cit.). Para el proceso Markoff, el incremento e8 + 1 se convierte en la suma de
incrementos en el intervalo de tiempo (s, s + 1). Ahora tenemos la relación p e-TIn, de donde
-T= n log p. Así, a partir de las fórmulas (4) y (21), como p8 -> - 0, obtenemos una eficiencia relativa en
estimar pj a partir del conjunto discreto n de observaciones, de
yo 2
00 (1 + p2) log l / p. (2)
La relación correspondiente de (3) y (20) depende de p8, pero en el caso s 1, tenemos
1 - p2 (l + log I / p2) (23)
(1 -p2) log l / p
Los valores de E y E1 se grafican contra p2 en la figura 1.
0.8
Eo ~ ~~~~~~~ o
// ~~~~~~~~~~~~~~~ 0.6
0-4
0-2
yo , 1 .
02 04 06 08
p2
HIGO. 1.-Relaciones de eficiencia E0 (P8 = 0) y E1 (s = 1) para estimar p, a partir de observaciones hechas a intervalos regulares
intervalos, trazada contra p2, donde p es la correlación verdadera P1 y el proceso es un Markoff continuo
uno.
(b) El proceso general.-Para el proceso general será suficiente anotar la integral

correspondiente a (5); esto es 00
yo
cov (cov8, cov8 +,) - (PVPV + t + Pv-8Pv + 8 + t + Kv, 8, t) dv * * * * (24)
a partir del cual se puede deducir otra fórmula. Para un proceso lineal continuo, análogo al
proceso lineal discreto (9) Escribiré formalmente (ver la siguiente sección)
xt = J_ Ivg (t - v) dv, 0
donde JtIvdv representa el incremento aleatorio total hasta el tiempo t correspondiente a E8sw en (9).
Entonces análogamente a (10) tenemos
K (71, '72 ,, 3 T4) = I K / 1g (u) ?

SUPP. VOL. VIII NO. 1
2g (U - t) + 'r3g (U - V) +' r4g (U -v - s - t)) holandés . (25)
do

Página 9
donde K1 (-) es la tasa de aumento de la función acumulativa del incremento aleatorio total rthdv.
De (25) tenemos una fórmula análoga a (11) y (12), de modo que cov (r8, r8 +) es nuevamente independiente,
a nuestro orden de aproximación, de K s, t. Por cierto, notamos de (25) que x, no puede ser normal
a menos que la variable que represente en KI (() sea normal, es decir, los incrementos son intrínsecamente normal-
o bien (más o menos) los incrementos individuales I, son suficientemente pequeño y numeroso para
su suma, en un pequeño intervalo de tiempo durante el cual g (t) es constante, se ha vuelto normal.
Los resultados para la media y la varianza de x, contenidos en (25) se conocen como Campbell's
teorema; Rice ha dado la generalización a otras seminvariantes (14, secciones 1.5 y
3.11), la ecuación (25) anterior representa una extensión adicional requerida para el desarrollo teórico
mentos de este trabajo.
Omitiendo el término K ,,, podemos partir de la teoría de las transformadas de Fourier escribir (24) en el
forma alternativa
J
. . . .
cov (covy, cov8 + 1) (24a)
27 f2 (W) Jeit + eiu (28 + t)} dx
donde f (co) se definió en la sección 3. Las fórmulas específicas para el proceso lineal de segundo orden son
grabado más tarde.
5. Especificación detallada del segundo orden proceso
Llegando ahora a un examen detallado del proceso continuo de segundo orden, voy a
reconsidere el problema que Yule usó en su trabajo pionero (18) como base para el segundo
ecuación de diferencia de orden del tipo (14). Se imaginó un péndulo oscilante sujeto a bombeo.
barba por niños equipados con guisantes. Este problema en otro aspecto es práctico
importancia, porque igualmente podemos pensar en un instrumento sensible perturbado por impulsos de un
Carácter de movimiento browniano (p. Ej., Un galvanómetro con espejo suspendido cuya oscilación torsional)
los efectos de las moléculas de gas alteran las funciones). * Como en el caso del proceso Markoff, esto
La forma de movimiento browniano generalmente se ha estudiado con la suposición de que incluso en un pequeño
intervalo de tiempo las perturbaciones son infinitesimales pero numerosas; la distribución de x: entonces
se vuelve normal. Pero nuevamente, no impondré esta restricción aquí, sino que dejaré la distribución de
x, no especificado en general. Esto permite una representación exacta del problema de balanceo de Yule
péndulo sujeto a cualquier tipo de impulso aleatorio instantáneo; y de similar o más com-
procesos complicados El problema de Yule lo haré, sin parar aquí para rigorizar el argumento.
completamente, denotado por la ecuación (26)
donde los puntos denotan diferenciación con respecto al tiempo t. En esta ecuación I, representa un
La función de impulso aleatorio que cambia x, discontinuamente, pero x, puede considerarse formalmente
definido por (26) en términos de It, que es una función incorrecta que posee un fIdv.t integral apropiado
La solución de (26) que involucra a I, es
dv. (27)
Xt = fI { mi
donde [, u y p2 son las raíces de x2 + acx + 3 = 0. Por lo tanto, si E {h} = 0, E {IJJ} J 0 cuando
que $ v, y a2 (I) es una cantidad finita que representa la tasa de aumento de la varianza de la integral
impulso ftIdv, obtenemos
Eft +, - 2 (yo 2-l (s2

0) (28)
de donde a2 (x) var (x) = a2 (I) / 2ac y
t4efls- V.1e82_ e-ica cos (Xs O) (> . .

IU2 - ~ Cos 6, ij \ 0 S
* Tanto el Sr. JE Moyal como el Sr. PA Moran han llamado mi atención sobre las referencias
(6 y 1) en esta solicitud.
t Este comentario es suficiente para definir i, y xt en términos de (26) y su solución. En otros problemas x;
puede ser una cantidad aleatoria cuya existencia se establece solo por una definición más amplia de diferenciación (debido
a Slutsky, 15; ver también Moyal, 13). Definición de Op Slutsky, x'i es continuo pero aún no estrictamente
diferenciable

Página 10
donde X2 = -_ _ 2, tan 0 = x / aVr., la ecuación (28) muestra que si la serie se ha generado

Hace mucho tiempo, por lo que el efecto de las condiciones iniciales se ha vuelto insignificante,
la serie se estabiliza
en 62 (x) dado por G2 (I) / 2mp (cf. Kendall, 8, ecuación (12), para el correspondiente resultado para un discreto
proceso). La fórmula (30) para p, debe contrastarse con (18), y también con el resultado de Kendall
para un proceso discreto (8, ecuación (13)). Es, creo, no nuevo, haber sido dado en el caso de
Oscilaciones brownianas de Zernike (22, ecuación (6), p. 518). * *
El correspondiente frecuencia espectro se obtiene invirtiendo la función ps como
yo
f () =
a. (30)
(cf. 6, ecuación 2209). Puede equivalentemente ser escrito

1 + 2 una 2)
- Ia + 2 + (,
+ (o + + DO-
- + i2
77 (Co X) 2 + + JM2 + [(, W )2+ lM2] [(o + X) 2 +
X) 2 + ja2] J
donde los primeros términos wo corresponden al espectro de la función (18). Para pequeñas amortiguaciones
(un pequeño), y f (o) considerado positivo o, solo el primer error de todos es grande como o ? y el -
diferencia entre los espectros de (29) y (18) se vuelve pequeño.

La función p, es una solución del diferencial ecuación
P, "+ op, '+ p = 0. (31)
que se puede obtener directamente de (26) multiplicando la ecuación en el tiempo t + s por x ,, y
promediando,I, +, no está correlacionadocon x ,.
De (29) se obtienen fórmulas explícitas para cualquiera de las expresiones de error de muestreo dadas en
sección 4. Una de las más útiles es
var (r,) (32)
(a2
+ R) / ca T .
cuando p, es pequeño. El seguimiento expresión para cov (cov ,, cov, +,), aparte del término que implica
y (I), también se da como referencia. Se obtuvo de (24) y se verificó a partir de (24a).
cov (cov ,, cov, +,) 0 (t) + 0 (2s + t)
dónde
TO (t) ela = a + 3cos ) t + x (5r3 - x2) sin Xt + 'xt sin Xt + (2p _-M2) t cos Xt (33)
OCP 8 X3P ~~~~ 2Xs 4X2
cs? t. (3
En el caso "aperiódico" X = 0, obtenemos comparativamente resultado simple de (24a),
(tímido cov8 ~) -.- ' -4P2 ( a3 e-V911 + eV / 9,12s + t I
tímido * 8, 3 5 3) TELEVISIÓN( .. (34)
De la solución exacta (27) para x, podemos investigar si alguna diferencia exacta ecuación para
x, existe en lugar del diferencial ecuación (26). Obtenemos
XI + 2h + hacha? + H + bx, = [J] * + 2h . (35)
donde a = - (ePlh + eP2h), b = e (P1 + P2) h, y el símbolo en el lado derecho denota un definido
integral de t a t + 2h que lo involucra, a saber,
[J] t
[J] t + 2h
2=
t+h
I + 2h
eP (t + 2h-v) - eP "2 (t + 2h-v) th
+ } dv - b
IV
eP (v) e290
} dv.
Así, la relación Yule-Kendall

Xt + 2h + hacha ,? + H + bx, = ? T + 2h . (36)
donde + 2h es un incremento aleatorio que surge después de xt + h, no es exacto para el proceso
originalmente considerado por Yule. Debe haber, por supuesto, algún proceso discreto correspondiente
a (26), produciendo la solución p correcta (29), pero esto se define por (35). Multiplicando esta ecuación
por x: ,, (s > 0), y promediando, obtenemos
Ps + 2h + aP8? H + bps = 0. (37)

Una ecuación que se satisface con la solución (29). Aunque (37) es idéntico a la diferencia
* Zernike continúa considerando la eficiencia de estimación de la media, un problema más simple que aquellos
considerado aquí, pero el relevante en su caso, y uno, como se señaló en la sección 2, recientemente discutido por
Yule (19).

Página 11
ecuación para p5 dada por Kendall, su solución es diferente porque no se cumple para s = -h
pero solo para s> 0, debido a la dependencia de xI + h de [J] tt + 2h. De hecho
E {xt + h [J] tt + 2h} = b (ph - [Ph] D (38)

donde [Ph] denota la continuación analítica de Ph para h negativo, y es desigual al valor
Ph = Ph excepto en el caso límite cuando a = 0. Por lo tanto, en general, un análisis de autorregresión de
el tipo (36) arrojará valores de a y b inapropiados para el proceso (35); esto es así incluso en el
límite cuando h se convierte en infinitesimal. Si X / 27r es la "frecuencia", encuentro el valor límite de X
estimado a partir de (36) como V (5 92) en lugar de V / (p - 1 2).
- La diferencia será insignificante como una
se vuelve pequeño, pero si M2 + 43 da lugar a una frecuencia espuria cuando la frecuencia verdadera es cero.
En consecuencia, el "período" o "longitud de onda" 27r / X, que en general, al menos para h pequeña,
será subestimado * seguirá siendo finito incluso cuando el período verdadero sea infinito.
P.0
08
SPURI OUS FRECUENCIA
06 -
..0-4-
0-2
VERDADERA FRECUENCIA
INTERVALO
02 04 06 08 10
HIGO. 2.-Valores de A estimados a partir de la diferencia finita de Yule-Kendall ecuación trazada contra la
intervalo de observación, cuando el proceso es continuo de segundo orden con frecuencia verdadera
A / 2X = 0 (y a = 2).
Para verificar esto, consideré la solución de (26) en este caso aperiódico, para el cual 3 =
La solucion es
xt = f ', Ive ia (t -) (t - v) dv,
P8 = (1 + Ics) eia8, (s> 0). (39)
Si para tal autocorrelación, intentamos estimar la frecuencia por medio de (36), nosotros
debería obtener la frecuencia espuria que se muestra en la Fig. 2, donde X se representa en función de
valor ah, donde h es el intervalo entre observaciones. Para definitud un fue tomada para ser 2, por lo
que el valor límite de X es 3A / 5 = 0-745.
La invalidez de (36) plantea la cuestión de si hay otras ecuaciones de diferencias finitas (aparte
* Este sesgo parece estar relacionado con el obtenido por Spencer Smith (17), quien consideró el continuo periódico
series de tiempo
sujeto a independiente disturbios en amplitud, fase y tendencia. Dudo, sin embargo,
de la posibilidad de analizar un oscilatorio perturbado serie en componentes correspondiente a independiente
perturbaciones de este tipo, cuando para perturbaciones naturales del tipo considerado aquí los efectos son
necesariamente relacionado. De sus comentarios finales, Spencer Smith parece reconocer estas limitaciones. de
Su método.

Pagina 12
de la relación (35)) existen para el proceso (27). Hemos visto que para esto, el proceso ix existe como
bien como x; de hecho, de (27) tenemos
J 'I L, 1e1, tI - ") - W [2e2O-v)} dv . (40)
De dónde
Ex9 = 3Ext2} 1
= + PD
t?
x +) ..
pag(., (41)
p (, t x1 +,) = p (xt x,) =- *una J

Yo ..
Obtenemos el par simultáneo de primer orden diferencia ecuaciones en x, yx,
Efxt + h ^ xt} * E {~ t + Al} x_ G] t+h

XLt + h
____
X
} ElxL? X}- E mi
{X12}. XI '
XL +h--
Ex 2__
[G (42)
EX + htl
Xt + h-
l) xt - Efxt.hXtl xt [G21 t+h
dónde
2] t + = P2 (x) {1 - (Pi) 2 (2 a+ Ph)} '
una 2_
E [G2 2] tt +} = 62 (X) { 1 (pag) Ph }
E {[GiG2jt + '} = ag2 (x) ( Ph)
Como h - + 0, estas dos ecuaciones se reducen respectivamente

a (26) y a i, = Lt (xt + h -x1) / h, mostrando
que para h lo suficientemente pequeño es suficiente
considerar la ecuación formal (26).
6. La estimación problema; teórico información disponible en lo desconocidoparámetros

Formalmente el problema de estimación para el segundo orden El proceso es simple, ya que es lineal en
las incógnitas a y P. Obtenemos el mínimo cuadrado estima a, P., donde
ESO;)
(X'.
+ OeXtX, + FeXt2) dt f T (.t .. + Melt2 + F3eXtXt) dt 0
o como J X, x dt / T -> - 0 a medida que aumenta T, tenemos
JT }
IfdtT Tc2dt
-JoT d / f ~, t d0 0 J (43)
Sabemos más que estos mínimos cuadrados estimados, que tendría un mínimo errores estándar
en análisis de regresión ortodoxa, tendrá asintóticamente errores mínimos en el presente caso,
desconsideradode la distribución de I (cf. 12 y sección 2 del presente documento), dada por
var (Xe) _ a2 (I) / JT : 2dt- 2oaT / T 1 ~~~~~~~~~~ (44)

var (Tarifa) a2 (I)! fo x 2dt- 2oc / T J
En algunos problemas, donde una pista continua de la serie temporal está disponible (en el caso de torsional
Las oscilaciones brownianas registros continuos de un sistema de espejo oscilante se reproducen en 6,
Fig. 79) es posible que se puedan inventar dispositivos ópticos o eléctricos directos para medir
cantidades que ocurren en (43), donde debe notarse que debido a la existencia de xz es solo
formal, | , x, dt debe interpretarse
como Lt h
(Ix, x ,,, -
f
2) dt. En otros casos, la fórmula (44)
son un indicador por el cual la eficienciade cualquier método real de estimación utilizado puede ser investigado.
Los principios involucrados se ilustran primero para el proceso Markoff más simple, ya que nosotros
he visto que el uso de series discretas para el segundo orden proceso plantea dificultades especiales.

Página 13
Para el proceso Markoff tenemos que corresponde a la ecuación (26) para el proceso de segundo orden,
la ecuación formal
.it + vx, == It * * *. . . . . . . .. (45)
De dónde xt = Ie-u (tv) dv

a2 (x) = a2 (I) / 2i . (46)
P8 = es, (s 0) J
La estimación de mínimos cuadrados de Vi es
pag
=
- .0T xt, dt! xt2dt. (47)
dónde var (Ve) a2 (I) f xt2dt 2L / T. (48)
En (47) x, se debe reemplazar por (x ? H- x1) / h pero si no procedemos al límite h = 0, estamos

obviamente, estimar Vt por medio de la autocorrelación Ph. Por lo tanto, para h finito, el sesgo puede ser intro-
E2 ,, - 08
0 ~~~~~~ -
06 /
-/
// "
0-4
02
02 04 06 08
p2
HIGO. 3.-Relaciones de eficiencia: (i) E2 y (ii) E1E2, representadas frente a p2 (p = ph), para estimar lo desconocido
parámetro en un proceso de Markoff continuo desde la autocorrelación obtenido (i) de un continuo
registro, (ii) de observaciones hecho a intervalos h.
si seguimos con la fórmula (47), y será más consistente usar la fórmula para ph directamente
es decir,
hVLe = -log r. (49)
Para esta estimación, si r, todavía se obtuvieron de un registro continuo como fTxtx? + Hdt! IfT x2dt, nosotros
tener var (te) var (rh / ph) o from (20), para cualquier distribución de I ,,
var (Fte) [1 - ph2 (2hv. + 1)] ILTph2 . (50)

La relación de (48) a (50) se puede escribir como
E2 = 10gp2lll2 1 / p2 (51)
lo -2 + I- i / p2.
que se traza en la Fig. 3. Si se obtuvieron más rh de un conjunto discreto de observaciones con
intervalo h, deberíamos tener var (rh) dada por (3) en lugar de por (21), y la eficiencia general es
reducido a E1E2, donde E1 se mostró en la Fig. 1. E1E2 también se representa en la Fig. 3; se verá
que la caída en la eficiencia a medida que aumenta h es bastante rápido.

Página 14
Así, al ajustar el proceso Markoff (45) con h finito, volvemos de la estimación de regresión
a una estimación consistente obtenida de la primera autocorrelación disponible en el correlograma.
El resto del correlograma se usaría junto con la magnitud conocida de
sus errores de muestreo para considerar la adecuación del ajuste.
Tratemos de considerar ahora el procedimiento apropiado para el proceso de segundo orden. Nosotros
en primer lugar hacer la sustitución inevitable (4h -x,) / h para x. Si la naturaleza de las observaciones
prohíbe el uso directo de x ,, sustituimos más lejos (X + k - xt) / k para i, donde por el momento
k (( h) no se supone igual a h. La estimación limitante de ( no presenta dificultad, la regresión
estimar convertirse
P, 9e - 2 (1 - rk) / k2. (52)
esto es válido para pequeñas k como se puede ver en la expansión
Pk = 1-P'k2 + c3k3
.k . . , (k? 0).
Pero por un. la estimación de regresión se convierte
Irh + k ? rh) - 2 (rA? + 1k) . (53)
mientras que para h y k pequeñas la expresión correspondiente en p es igual a oc (1 - 3k / h). Así

(53) a menos que se corrija conduciría a una subestimación incluso cuando h -> 0 a menos que k / h sea pequeño, el
El factor 3 que multiplica un ser que recuerda el sesgo limitante en X que surge del uso de
ecuación de diferencia finita (36). En la práctica, si r está disponible solo para valores integrales de s, deberíamos
usar las relaciones funcionales de p, a a y ( directamente para dar estimaciones consistentes de a y (,
de manera análoga al procedimiento para el proceso Markoff, pero el punto anterior es importante porque
arroja algunas dudas sobre la eficacia de tomar las dos primeras autocorrelaciones r, y r2. Todos nosotros
Se sabe por (53) que esta fórmula limitante no es válida a menos que k / h sea pequeña. El uso directo de
las relaciones funcionales para p8 deben por lo tanto para h pequeño corresponder a una corrección por sesgo que
en el caso de k = h es un factor multiplicador de 1l. A menos que la varianza de la expresión en (53)
También cambia a medida que k aumenta a h, la eficiencia de la estimación no sería mayor que 4/9.
Una respuesta completa a este problema debe esperar una investigación detallada del asintótico.
eficiencia del uso funcional de r y r2, utilizando sus relaciones de varianza y covarianza (obtener
capaz de (33)). Hasta ahora lo he llevado a cabo solo en el caso especial pero bastante importante de
Amortiguación pequeña (c pequeña). La fórmula para cov (r8, r, - L), para la cual la forma general en términos de
cov (cov, cov), etc., se dio en la sección 2, se convierte en este caso
cov (r ,, r, +,) s (s + t) cos Xt t sin ? .t + (2s + t) sin X (2s + t) sin Xs sin X (s + t)

jefe ~~ 2 +4), 2? 2
(54)
De las relaciones para var (;) y var ((e) -eg,
'a, 2 ) 'una
8+ 2a
var (r,) + ( var (rJ) - 2 (PDs +) cov (r8, r, +?)
var (PCe) D (3 8? T
'a am am -a
Después de álgebra un tanto tediosa, establecí que el formulke (44) aún se mantiene cuando a y ( son
estimado a partir de r8 y r, +, para cualquier valor pequeño de syt; así, al menos en el caso de a. pequeña,
El uso de las dos primeras autocorrelaciones r1 y r2 para estimar ay P es justificable.
Vale la pena destacar la importancia de la forma de la función de autocorrelación como s - *
si hay un error superpuesto, mientras que este último viciará el análisis anterior a menos que se permita,
su efecto sobre la función de correlación en esta región puede ayudar a indicar su carácter. Así
un error aleatorio y totalmente independiente superpuesto en cada observación deprime la correlación
funcionan una cantidad finita en s cerca de cero, siendo esta la estimación eficiente de su magnitud aproximada
apareado en la práctica al considerar las diferencias de observación; un proceso superpuesto de Markoff,
que también podría ser una forma de error para un proceso continuo, conducirá a una función con un finito
pendiente en s = 0 Los términos adicionales en la expansión de p dependen, como hemos visto, de los valores
de ( y a (en ese orden) en el proceso oscilatorio de segundo orden. La pérdida de eficiencia si un
el efecto del error, así como las constantes del proceso principal, deben estimarse a partir de los valores de p
solo disponible para valores integrales de s evidentemente será considerable.

Página 15
40 BARTLETT-Sobre la especificación teórica y [No. 1
Aplicación a los números de manchas solares de Wolfer.-En vista del desarrollo de Yule de las diferencias finitas-
Parece que la ecuación de ence con respecto específico al análisis de los números de manchas solares de Wolfer,
deseable (sin intentar aquí ninguna discusión completa de estas figuras) para ilustrar el presente
teoría sobre los mismos datos. Siguiendo a Yule, asumí primero que la serie de números anuales
citado puede estar representado por un proceso de segundo orden; Las dos constantes desconocidas son ahora
estimado a partir de las dos primeras correlaciones r, y r2, esto se realiza con bastante rapidez por un inter
método polatorio El resultado se da en la Tabla II. Si bien he subrayado que el gran estándar
los errores para r8 cuando p5 es pequeño permiten desviaciones relativamente grandes de lo esperado, la estimación
El factor de amortiguación parece excesivo, siendo incluso mayor que en el análisis de Yule. Sugirió Yule
que los datos fueron efectuados por errores de observación aleatorios, y aunque esto no es muy aparente
a partir de los promedios anuales que representa, es mucho más evidente en las cifras trimestrales originales
(ver 11, Fig. 1). A modo de comparación, también incluyo un análisis de las figuras suavizadas de Yule.
Por supuesto, el uso de promedios y cifras graduadas es muy peligroso al analizar series temporales
por períodos, y parecería más satisfactorio utilizar las cifras trimestrales originales con
inclusión adecuada en las ecuaciones de estimación del efecto de cualquier error de observación. Sin embargo,
El análisis de las figuras suavizadas es de cierto interés. El período estimado todavía sale un
poco más bajo que lo generalmente aceptado, pero la discrepancia parece trivial en comparación con el
error estándar del período estimado del orden del ii por ciento. La fórmula asintótica utilizada,
correspondiente a IOO por ciento. eficiencia de estimación (que ciertamente no se alcanza), fue
var (3e - icXe2) yo
oc (2 @ + oc2) / T. (55)
esta fórmula se desprende de las variaciones de los eficientes estimaciones de a y f, y de su cero
correlación.
CUADRO II
Autocorrelaciones de los números de manchas solares de Wolfer
Promedios anuales Promedios graduados
Observado Teórico Teórico Observado I Teórico Teórico

(Navidad) (Navidad) (teoría actual) (Navidad) (Navidad) (Teoría actual)
1 0-8112 (0-8112) (0-8112) 0-8407 (0 8407) (0 8407)

2 0 4340 (0 4340) (0-4341) 0-4714 (0-4714) (0-4713)
3 0-0316 0-0513 0 0855 0 0470 0 0397 0 0605
44 -0 2645 -0-2154 -0-1290 -02641 -0-3181 -0 2562
55 0-4041 -0-3228 -0 1990 -0 4043 -0-5139 -0 4091
ae = 0-3160, 13e = 0-6158 a. = 0-1593, 13e = 0-5811

u (ae) ~ '0-085, u (pe) - 0? 059 a (ae) - 0-060, u (13e) 0-036
u (r8) 0-129, (p., 0). g (r8) - 0-152, (p3 = O)
Período estimado 10-2 años. i 1-7 Período estimado 10-8 años. i 1-2
Cf. período estimado (año) 10-6 años. Cf. período estimado (año) 11 -2 años.
El presente análisis no refuta el análisis original de Yule, el sesgo observado en la sección 5 es

aparentemente insignificante debido a la pequeña amortiguación de esta serie, y el período estimado en realidad
menos que Yule para datos no graduados y graduados. El ajuste adecuado aparente (para el
serie graduada), por supuesto, no prueba que el modelo teórico sea correcto, pero sí
la carga de la prueba para aquellos que reclaman esquemas más complicados o estimaciones más precisas
proporcionar errores de muestreo y pruebas en apoyo de sus afirmaciones.
La sugerencia alternativa de Yule de que la serie de manchas solares podría representar el cuadrado x, 2 de
la amplitud x, de una serie oscilante en lugar de x, es una que parece merecer más
investigación, pero las siguientes notas indican la dificultad de manejar tal teoría.
(i) La función de autocorrelación p8 (x2) ya no es independiente de la naturaleza de
distribución de I,
(ii) La función de autocorrelación para varios a puede tener una discontinuidad en a = 0, siendo
dado por cos 2Xs cuando a = 0, y, por p82 (x) para a * 0 para I, normal.
(iii) El valor esperado de r8 (x2) a medida que T aumenta converge cada vez más lentamente a p8 (x2)
como un aproxima a 0.

Página 16
Estos comentarios muestran que no existe una teoría simple x'2 , como asumir las perturbaciones Yo ser
normal, se ajustará a las autocorrelaciones observadas,
que tienen valores positivos y negativos.
7 .. Observaciones finales
Antes de dar paso a otros oradores, déjame aifticipate algunas limitaciones obvias de los anteriores
teoría. Algunos reflejan que es rudimentario estado de nuestro conocimiento, como, por ejemplo, el uso de
errores estándar de correlación serial coeficientes que se acercan a la unidad. Aquí quisiera señalar que
no hay transformación simpleestá disponible para convertir una escala más adecuada, como para la correlación ordinaria
coeficientes de acción,
pero que estas fórmulas particulares se han usado solo en conjunto con el
asintótico regresión teoría, y tenderá a tener la misma aproximación validez como este último.
La medida en que esta "muestra grande "la teoría puede ser utilizada es claramente una cuestión para más
*investigación; dependerá mucho de la naturaleza de la serie temporal, porque hemos visto
que la medida en que podemos estimar los valores esperados con precisión depende de las relaciones en serie
entre las observaciones Por ejemplo, con el segundo orden procesar el, menos frecuente
disturbios cuanto más larga sea la serie que tenemos que tomar antes de que nuestros datos puedan serEsta' representativos.
refleja los límites teóricos de nuestro análisis estadístico (esto no es peculiar de las series temporales) en
que no siempre podemos esperar distinguir empíricamente entre, digamos, una serie armónica exacta y
uno con muy poco frecuente disturbios La importancia de especificar cuando sea posible el teo-
La forma retical del proceso ha sido enfatizada en este documento, y se ha intentado desarrollar un
interacción razonablemente lógica de teórica estructura y correspondiente teoría de muestreo para algunos
series temporales típicas. Por lo tanto, espero haber atado algunos de los cabos sueltos en este rezago. tema;
Soy consciente de que aún quedan muchos más por tropezar.
8. Referencias
1. Barnes, RB y Silverman, S. "El movimiento browniano como límite natural para todos los procesos de medición".
Reviews of Modern Physics, 6 (1934), 162.
2. Bartlett, MS "Algunos aspectos de la correlación temporal problema con respecto a las pruebas de significación " J.
Roy Stat. Soc., 98 (1935), 536.
3. Chandrasekhar, S. "Problemas estocásticos en física y astronomía" Reseñas de Modern Physics, 15
(1943), 1.
4. Cramer, H. Variables aleatorias y distribuciones de probabilidad (Cambridge, 1937).
5. Daniell, PJ "Errores de muestreo de la covarianza de retraso de series temporales fluctuantes"(inédito Nota).
6. Fowler, RH Mecánica estadística (Cambridge, 2ª ed., 1936).
7. Kendall, MG "Oscilatorio movimientos en la agricultura inglesa " J. Roy. Stat. Soc., 106 (1944), 91.
8) . "Sobre series temporales autorregresivas", Biometrika, 33 (1944), 105.
9) . "Sobre
el análisis de series temporales oscilatorias", J. Roy. Stat. Soc., 108 (1945), 93.
10. Khintchine, A. "Korrelationstheorie der stationairen Stochastischen Prozesse, "Math. Annalen, 109
(1933-4), 604.
11. Larmor, J. y Yamaga, N. "En permanente periodicidad en manchas solares, "Proc. Roy. Soc., A93 (1917),
493.
12. Mann, HB y Wald, A. "Sobre el tratamiento estadístico de diferencia estocástica lineal ecuaciones "
Econometrica, 11 (1943), 173.
13. Moyal, JE "Teoría de funciones aleatorias "(documento aún no publicado).
14. Rice, S. 0. "Matemática análisis de ruido aleatorio, "Bell System Tech J., 23 (1944), 282; y 24
(1945), 46.
15. Slutsky, E. "Sur les fonctions eventuelles continúa, integrables et derivables dans le sens stochas-
tique, "Comptes Rendus, 187 (1928), 878.
dieciséis. . "La suma de causas aleatorias como fuente de procesos cíclicos", Econometrica, 5 (1937)
105)
17. Spencer Smith, JL "La especificación de series temporales periódicas perturbadasdel tipo de Wolfer
números de manchas solares, "J. Roy. Stat. Soc., 107 (1944), 231.
18. Yule, GU "Sobre un método de investigación periodicidades en series perturbadas, con referencia especial a
Los números sin identificar de Wolfer, "Phil. Trans., A226 (1927), 267.
19) . "Sobre un método de estudio de series de tiempo basado en sus correlaciones internas "(con" Nota sobre
El papel del Sr. Yule "por MG Kendall), J. Roy. Stat. Soc., 108 (1945), 208.
20. Wiener, N. "Análisis armónico generalizado", Acta Mathematica, 55 (1930), 117.
21. Wold, H. Un estudio en el análisis de series temporales estacionarias (Uppsala, 1938).
22. Zernike, F. "Die Brownsche Grenze fur Beobachtungsreihen" Zeits F. Physik, 79 (1932), 516.


Econometrias

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometrias

Cargado por

Copyright:

Formatos disponibles

29/8/2019 Sobre la especificación teórica y las propiedades de muestreo de series temporales autocorrelacionadas

Sobre la especificación teórica y las propiedades de muestreo de series temporales autocorrelacionadas

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

SIMPOSIO DE AUTOCORRELACIÓN EN SERIE DE TIEMPO

EN LO TEÓRICO ESPECIFICACIÓN Y PROPIEDADES DE MUESTREO DE AUTOCORRELADOS

[Lea antes de la SECCIÓN DE INVESTIGACIÓN DE LA REAL SOCIEDAD ESTADÍSTICA, 29 de enero de 1946,

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

28 BARTLETT-Sobre la especificación teórica y [No. 1,

2. Formulce de error estándar para las autocorrelaciones de series temporales discretas

donde es + es independiente de xs. Por conveniencia, se supone xs "estandarizado", es decir, el

cov (var, cov) E {l2Xr2) (XIXrn) ln} - PD,

var (var) + 2) (I + p2)

var (cov) 1 [(1 + (2)

c6v (var, cov) - [2s + (y + 2X1 j) p2)]

donde y es la medida de no normalidad E {x4} - 3. Dado que en el mismo orden, si rs denota el

obtenemos finalmente, independientemente de y,

var (rs) I [(1 + 1 p2 - ) -2sps2] . (3)

var (rs) -. (4)

un resultado que se obtiene más fácilmente de la fórmula para var (cov).

que con el mismo orden de aproximación que antes se convierte

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

1946] Propiedades de muestreo de series temporales autocorrelacionadas 29

yo (PVPV ++PV-SPV + S + t) . (6)

K, (1g (w) + 2g (WS) + '3g (WV) + '4g (W t)) .

donde K (8r) es la función acumulativa de ? Por lo tanto

62 (x) var (x) - a2 (?) Eg2 (w) 1

y mi Yo s = K4 (?) {Z20g (w) g (w - s)} {YUg (u) g (u - s - t)}

= y (?) covs. covs + t

30 BARTLETT-Sobre la especificación teórica y [No. 1,

Xs + 2 = -1Xs + 1 - 05xs + S + 2 . (14)

para cual Ps + 2 = 11p8 + 0- 5p .s (15)

1 +0 832 77 -0 118 13 -0 015

Si consideramos rs para s 11 a 30, s ya no es pequeño en comparación con el número total (65)

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

3. La especificación de series temporales continuas por su autocorrelación funciones

p (s) / cos cs dF (c). (17)

f (x) f e-Is cos xs ds =

* Yule (18); vea la sección 5 de este documento.

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

32 BARTLETT-Sobre la especificación teórica y [No. 1,

4. Fórmula de error estándar para las autocorrelaciones de continuo serie temporal

var (var) 3E (f0 xt2dt) 2 / T2}.

var (cov) + Ps 2 +T (19)

cov (var, cov) pf +2 ?+ 2

donde s ya no es necesariamente un número entero. Por lo tanto

var (rs) [1 - pS2 (2sV + 1)] / T. (20)

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

1946] Propiedades de muestreo de series temporales autocorrelacionadas 33

00 (1 + p2) log l / p. (2)

La relación correspondiente de (3) y (20) depende de p8, pero en el caso s 1, tenemos

(b) El proceso general.-Para el proceso general será suficiente anotar la integral

K (71, '72 ,, 3 T4) = I K / 1g (u) ?

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

34 BARTLETT-Sobre la especificación teórica y [No. 1,

Eft +, - 2 (yo 2-l (s2

de donde a2 (x) var (x) = a2 (I) / 2ac y

t4efls- V.1e82_ e-ica cos (Xs O) (> . .

Este contenido se descargó del 131.204.172.32 el jueves, 19 de septiembre de 2013 12:33:34 PM

1946] Propiedades de muestreo de series temporales autocorrelacionadas 35

donde X2 = -_ _ 2, tan 0 = x / aVr., la ecuación (28) muestra que si la serie se ha generado

(cf. 6, ecuación 2209). Puede equivalentemente ser escrito

diferencia entre los espectros de (29) y (18) se vuelve pequeño.

Así, la relación Yule-Kendall