周期图法

周期图法 (Periodogram)

周期图法 (Periodogram) 是 时间序列分析 中一种经典的 非参数谱密度估计 方法，由 Arthur Schuster 于 1898 年在研究太阳黑子周期时首次提出。给定一个平稳时间序列，周期图通过计算序列的 离散傅里叶变换 (DFT) 的模平方来估计其 功率谱密度 (Power Spectral Density, PSD)，从而揭示序列在不同频率上的能量分布。作为谱分析 (Spectral Analysis) 的奠基性工具，周期图法在经济周期识别、季节性调整、金融波动率建模和宏观经济指标滤波等领域具有广泛应用。然而，经典周期图并非谱密度的 一致估计量：其方差在样本量增大时并不趋于零，这一根本缺陷推动了后续一系列改进估计量（如 Bartlett 法、Welch 方法 和加窗平滑法）的发展。

数学定义

设 $\{X_t\}_{t=0}^{N-1}$ 为一均值为零的实值平稳时间序列，样本量为 $N$。其 离散傅里叶变换 定义为：

其中 $f_k = k/N$（$k = 0, 1, \ldots, N-1$）为 傅里叶频率 (Fourier frequencies)。周期图 $I(f_k)$ 定义为傅里叶系数的模平方：

当 $f_k \neq 0$ 时，该式也等价于序列的样本自协方差函数 $\hat{\gamma}(h)$ 的离散傅里叶变换：

其中 $\hat{\gamma}(h) = \frac{1}{N} \sum_{t=1}^{N-|h|} (X_t - \bar{X})(X_{t+|h|} - \bar{X})$ 为样本自协方差。这一双重表示表明，周期图在频域和时域之间建立了等价桥梁：频域中某频率处的峰值对应时域中存在以该频率为主导的周期性振荡分量。

统计性质

周期图的统计性质是理解其优劣的关键。假设 $\{X_t\}$ 是均值为零的线性平稳过程，具有绝对可和的 自协方差函数 $\gamma(h)$ 和连续的谱密度 $S(f)$。

渐近无偏性。周期图的期望值渐近收敛于真实谱密度：当 $N \to \infty$ 时，

对于有限样本，偏误来源于自协方差估计中的分母使用 $N$ 而非 $N-h$ 所带来的卷积效应，这意味着周期图是真实谱密度与 Fejér 核（矩形滞后窗的傅里叶变换）的卷积：

其中 $\mathcal{F}_N(\omega) = \frac{1}{N} \left( \frac{\sin(N\pi\omega)}{\sin(\pi\omega)} \right)^2$ 为 Fejér 核。该核函数的主瓣宽度约为 $1/N$，旁瓣高度按 $O(N^{-1})$ 衰减，导致了 谱泄漏 (Spectral Leakage)：某一频率处的能量会"泄漏"到相邻频率，尤其当强频率分量存在时，泄漏效应可能严重扭曲邻近频段的估计。

方差非收敛（不一致性）。这是经典周期图最严重的缺陷。即使 $N \to \infty$，周期图的方差并不趋于零。对于高斯白噪声过程，$I(f_k)$ 在傅里叶频率处相互独立，且：

其方差恒为 $\operatorname{Var}[I(f_k)] \approx S^2(f_k)$，即信噪比为常数，不随样本量增加而改善。更一般地，对于非高斯线性过程，相邻频率的协方差虽然随 $N \to \infty$ 而减弱，但单点方差仍保持量级 $O(1)$。这一性质使周期图呈现 极不光滑 的外观——即使真实谱密度是平滑函数，原始周期图也呈现出高速波动，如同"噪声中的噪声"。

改进方法

为克服周期图的不一致性，一系列平滑和平均技术被提出。

Bartlett 方法。将长度为 $N$ 的序列分割为 $K$ 个不重叠的长度为 $L$ 的子段，分别计算各子段的周期图，再取平均：

方差降低至原来的 $1/K$，代价是频率分辨率从 $1/N$ 降低至 $1/L$。这是典型的 偏误-方差权衡 (Bias-Variance Trade-off)。

Welch 方法。在 Bartlett 方法的基础上引入两个改进：子段可重叠（通常 50\% 重叠），且对每个子段施加窗函数（如 Hamming 窗、Hann 窗）以抑制谱泄漏。重叠增加了可用于平均的段数，进一步降低方差，而加窗降低了旁瓣高度，缓解了来自强峰的泄漏干扰。

Daniell 平滑法。不对序列分段，而是直接对原始周期图在频率域进行局部加权平均（如等权的矩形平滑窗）：

其中 $m$ 为平滑带宽参数。该方法等价于使用时域中的滞后窗 (lag window) 对自协方差函数进行逐渐衰减的加权。常见的滞后窗包括 Parzen 窗 和 Tukey-Hanning 窗，它们通过给高阶滞后施加递减权重来使谱密度估计一致且保证正定性。

加窗与锥削 (Tapering)。对原始序列乘以一个逐渐向两端递减的窗函数（如余弦锥），可以有效减少由于数据截断产生的旁瓣泄漏。锥削在存在强窄带分量时尤其重要，因为未经锥削的矩形窗的旁瓣衰减缓慢（仅 $O(f^{-2})$），而余弦锥的旁瓣衰减可达 $O(f^{-4})$ 以上。锥削的代价是轻微增加主瓣宽度，属另一种偏误-方差折中。

在经济与金融中的应用

周期图法及谱分析在经济时间序列研究中有广泛应用。

经济周期识别。通过周期图可以识别宏观经济变量（如 GDP、工业生产指数）的频谱峰值，从而提取主导性周期成分。Burns 和 Mitchell (1946) 对美国经济周期的经典研究中即已隐含频域思想，随后由 Granger 和 Hatanaka (1964) 系统引入交叉谱分析方法。

季节性调整。传统官方统计中，X-11 和 X-12-ARIMA 季节调整方法的核心思想可通过谱分析理解：季节性分量在季节频率（如月度数据的 1/12、2/12 等频率）处产生峰值，滤波器设计的目标即为在这些频率处产生"缺口"以抑制季节噪声。

金融波动率。在高频金融数据中，周期图可用于检测 日内效应 (intraday patterns) 和估计 已实现波动率 (Realized Volatility) 的频谱特征。此外，长记忆过程 (Long Memory) 谱密度的低频行为（即 $S(f) \propto |f|^{-2d}$，$d>0$）可通过周期图在零频率附近的斜率估计来推断长记忆参数 $d$。

Granger 因果关系频域检验。Geweke (1982) 和 Hosoya (1991) 将 Granger 因果概念推广至频域，利用交叉谱密度矩阵的分量来检验预测因果关系的频率特异性——这不仅回答了"X 是否对 Y 有预测能力"，还回答了"这种预测能力集中在哪些频率"。

与其他谱估计方法的关系

周期图法是所有基于傅里叶变换的非参数谱估计的公共起点。Welch 方法、Bartlett 法和 Daniell 平滑法均是对经典周期图的修正。另一大类为参数谱估计方法，其中最具代表性的是 AR 谱估计：先对序列拟合 AR 模型、ARMA 模型 或 ARIMA 模型，再由模型参数的频域响应函数计算谱密度。参数方法通常能提供更平滑的谱估计，但代价是模型误设风险——若真实过程不符合所假设的参数族，估计可能严重偏离。

现代谱分析中还发展出 多锥度法 (Multitaper Method, Thomson 1982)，该方法使用一组正交的离散扁球体序列 (DPSS) 锥，计算多个相互独立的周期图估计再取平均，在保持良好频率分辨率的同时实现方差控制，被视为当前非参数谱估计的黄金标准。

局限性与注意事项

在使用周期图法进行谱分析时，以下问题需要特别注意。第一，伪周期性 (Spurious Periodicity)：对非平稳序列直接计算周期图会产生伪周期峰，因此在谱分析前必须进行充分的 单位根检验（如 ADF检验、KPSS检验）和必要的差分或滤波预处理。第二，频率混叠 (Aliasing)：采样频率不足时，高频分量会折叠到低频区间，造成虚假的谱结构；Nyquist-Shannon 采样定理要求采样率至少为信号最高频率的两倍。第三，端点效应：有限样本的截断等价于施加矩形窗，未经过锥削处理时，强峰泄漏可能掩盖邻近频段的弱信号。第四，选择平滑参数（子段长度、窗宽度）时，不存在普适的最优规则，通常需结合经验判断与交叉验证。

周期图法尽管作为原始估计量存在不一致性问题，但其所揭示的频域视角——将时间序列视作不同频率周期分量的叠加——深刻影响了当代时间序列计量经济学和信号处理学科的发展方向，也是理解更复杂的谱估计理论的入门基石。