KNOWECON WIKI

ARTICLE

功率谱密度

功率谱密度 (Power Spectral Density) 功率谱密度 (Power Spectral Density, PSD) 描述一个随机信号或时间序列的功率在频域上的分布。对平稳过程 \X_t\ ，PSD 是自协方差函数 (k) = Cov(X_t, X_t+k) 的傅里叶变换： 该关系由 Wiener-Khinchin 定理给出：自协方差函数的傅

浏览 0 更新 2025-11-09

功率谱密度 (Power Spectral Density)

功率谱密度 (Power Spectral Density, PSD) 描述一个随机信号或时间序列的功率在频域上的分布。对平稳过程 {Xt} \{X_t\} ，PSD 是自协方差函数 γ(k)=Cov⁡(Xt,Xt+k) \gamma(k) = \operatorname{Cov}(X_t, X_{t+k}) 的傅里叶变换：

f(ω)=12π∑k=−∞∞γ(k)e−iωk,ω∈[−π,π]f(\omega) = \frac{1}{2\pi} \sum_{k=-\infty}^{\infty} \gamma(k) e^{-i\omega k}, \quad \omega \in [-\pi, \pi]

该关系由 Wiener-Khinchin 定理给出：自协方差函数的傅里叶变换即功率谱密度，二者构成一对傅里叶变换对，谱密度在 [−π,π] [-\pi,\pi] 上的积分等于过程的方差 γ(0)=Var⁡(Xt) \gamma(0) = \operatorname{Var}(X_t) 。

直观解释

PSD 回答了"信号的波动能量集中在哪些频率上"这一问题。f(ω) f(\omega) 在频率 ω \omega 处的取值越大，表明该频率的周期成分对序列总体波动的贡献越大。白噪声过程 γ(k)=σ21{k=0} \gamma(k) = \sigma^2 \mathbf{1}_{\{k=0\}} 的谱为常数 f(ω)=σ2/(2π) f(\omega) = \sigma^2 / (2\pi) ——所有频率贡献均等，与"白"光类比。AR(1) 过程 Xt=ϕXt−1+εt X_t = \phi X_{t-1} + \varepsilon_t 的谱为：

f(ω)=σε22π⋅1∣1−ϕe−iω∣2=σε22π⋅11−2ϕcos⁡ω+ϕ2f(\omega) = \frac{\sigma_\varepsilon^2}{2\pi} \cdot \frac{1}{|1 - \phi e^{-i\omega}|^2} = \frac{\sigma_\varepsilon^2}{2\pi} \cdot \frac{1}{1 - 2\phi\cos\omega + \phi^2}

当 ϕ>0 \phi > 0 时，谱在低频 (ω≈0 \omega \approx 0 ) 处集中，反映序列的正持续性；当 ϕ<0 \phi < 0 时高频能量更强。

谱估计方法

实际中 γ(k) \gamma(k) 未知，需从有限样本 {x1,…,xT} \{x_1,\ldots,x_T\} 估计 PSD：

周期图 (Periodogram)：直接对样本做离散傅里叶变换：

f^per(ωj)=12πT∣∑t=1Txte−iωjt∣2,ωj=2πjT\hat{f}_{\text{per}}(\omega_j) = \frac{1}{2\pi T} \left|\sum_{t=1}^{T} x_t e^{-i\omega_j t}\right|^2, \quad \omega_j = \frac{2\pi j}{T}

周期图是 PSD 的渐近无偏估计，但方差不随 T T 增大而趋于零（不一致）。其波动剧烈，即使 T→∞ T \to \infty 仍充满噪声。

Welch 方法：将序列分段，每段加窗后分别计算周期图再平均，以偏差换方差获得一致估计。

滞后窗估计：对样本自协方差 γ^(k) \hat{\gamma}(k) 加滞后窗 w(k/M) w(k/M) 后做傅里叶变换：f^(ω)=12π∑kw(k/M)γ^(k)e−iωk \hat{f}(\omega) = \frac{1}{2\pi} \sum_{k} w(k/M) \hat{\gamma}(k) e^{-i\omega k} 。窗宽 M M 控制偏差-方差权衡，在Newey-West HAC 估计中直接影响长期方差的估计精度。

参数化方法：拟合ARMA模型后利用参数解析计算谱密度，模型设定正确时分辨率远优于非参数方法。

经济学与计量经济学应用

PSD 在经济学中主要用于分析经济周期的频率特征：

  • 经济周期分析：Granger (1966) 发现大多数经济时间序列的 PSD 在除零频率外的低频处迅速衰减，呈"典型的谱形状"——这一观察催生了单位根和协整理论。实际 GDP 的 PSD 中，8--32 季度周期对应的频率是否存在显著峰值，是判断实际经济周期 (RBC) 特征的重要证据。
  • 季节调整：Census X-13 等方法本质上是设计滤波器，在特定季节频率处产生谱零点以消除季节成分，频域视角为评价滤波性能提供了定量框架。
  • 频域 Granger 因果检验：Geweke (1982) 将时域 Granger 因果推广至频域，允许检验"X X 是否在特定频带驱动 Y Y "。
  • HAC 标准误：Newey-West 估计量的核心是以零频率处的谱密度估计作为长期方差：S^=2πf^(0) \hat{S} = 2\pi \hat{f}(0) ，这是计量推断中 PSD 最直接的应用。
  • 长记忆建模：金融波动率平方序列的谱在低频处有大量能量，即长记忆性特征，由此衍生 FIGARCH 等长记忆波动率模型。

与相关概念的关系

PSD 与维纳滤波、卡尔曼滤波的频域形式有深刻联系。平稳过程的谱表示定理指出任何平稳过程可表示为正弦波的随机叠加：Xt=∫−ππeiωtdZ(ω) X_t = \int_{-\pi}^{\pi} e^{i\omega t} dZ(\omega) ，E[∣dZ(ω)∣2]=f(ω)dω \mathbb{E}[|dZ(\omega)|^2] = f(\omega) d\omega 。在现代宏观经济学中，频域方法在 DSGE 模型的频率分解校准和长记忆建模中仍是不可或缺的分析工具。