期货投资分析_第六章_统计分析.pptVIP

检验因变量与所有自变量之间的线性关系是否显著 也被称为总体的显著性检验 检验方法是将回归均方(MSR)同残差均方(MSE)加以比较，应用 F 检验来分析二者之间的差别是否显著 如果是显著的，因变量与自变量之间存在线性关系 如果不显著，因变量与自变量之间不存在线性关系 确定显著性水平?和分子自由度k、分母自由度n-k-1找出临界值 作出决策：若F ，拒绝 三、多元线性回归 2008年8月 三、多元线性回归 线性关系检验通过后，对各个回归系数有选择地进行一次或多次检验 究竟要对哪几个回归系数进行检验，通常需要在建立模型之前作出决定 对每一个自变量都要单独进行检验 应用 t 检验统计量 提出假设 H0： bi = 0 (自变量xi与 因变量 y 没有线性关系) H1： bi ?0 (自变量xi与 因变量 y有线性关系) 计算检验的统计量 t 定显著性水平?，并进行决策 t?t???，拒绝H0； t?t???，不拒绝H0 T值越高，回归系数的显著性越大。一般来说，t值高于2代表足够的显著性，也即模型中应该保留给定的自变量。 2008年8月 三、多元线性回归 多重共线性及其处理方法 定义：当回归模型中有两个或者两个以上的自变量彼此相关时，则称模型中存在多重共线性。 来源：受相同的因素影响、变量的滞后项 后果：参数估计不精确，检验方法失效，违反经济现实含义 如何判别：方差扩大因子法、特征根分析法，自变量相关性判定、参数估计值的经济检验、参数估计值的稳定性检验、参数估计值的统计检验 解决方法：剔除一些不重要的解释变量，增加样本容量，回归系数的有偏估计。 定义：指模型的误差项间存在相关性。一旦发生自相关，意味着数据中存在自变量所没有解释的某种形态。自相关的存在，说明模型并不完善。 来源：自相关存在主要有经济变量的惯性、回归模型的形式设定存在错误、回归模型漏掉了重要解释变量及数据加工处理等原因。 判定：DW检验、LM检验、回归检验法，常用DW检验方法 自相关的处理方法如下： 尽量寻找方程中所遗漏的显著解释变量 如果所有可能的解释变量都不能有效改善自相关，尝试其他的函数形式 如果前两个个步骤都不行的话，尝试通过转换来剔除自相关，如差分、AR、MA等方法。 自相关与异方差及其处理方法 三、多元线性回归 由于实际问题是错综复杂的，因而建立的回归分析模型偶尔也会出现某一因素或者一些因素随着解释变量观测值的变化而对解释变量产生不同的影响，导致随机误差项产生不同的方差。异方差的出现会降低回归方程的可靠性。异方差性出现的原因很多，但样本数据位截面数据时容易出现异方差性。 检验方法：残差直方图、等级相关系数检验法、Goldfeld-Quandt检验、White检验、Glejser检验 对回归模型存在异方差问题的主要处理方法有：加权最小二乘法与改变模型的数学形式两种方法。 三、多元线性回归 自相关与异方差及其处理方法 时间序列的检验 经济分析中用到比较多的是时间序列数据。时间序列是同一现象在不同时间上的相继观察值排列而成的序列。 我们研究期货市场的运行规律，研究预测期货价格的变动，通常我们选择的指标均是时间序列指标。 另外，部分经济数据又表现出非随机的特点。非随机时间序列又有：平稳性时间序列、趋势性时间序列和季节性时间序列三种。 平稳性时间序列，是指由确定性变量构成的时间序列，其特点是影响数列各期数值的因素是确定的，且各期数值总是保持在一定的水平。 趋势性时间序列，是指各期数值逐期增加或逐期减少，呈现一定的发展变化趋势的时间序列。 季节性时间序列，是指按月统计的各期数值，随一年内季节变化而周期性波动的时间序列。 1、时间序列数据的分类 2008年8月 时间序列的平稳性检验及应用 时间序列数据平稳性检验的必要性 如果一个序列的均值和自协方差不依赖于时间，就说它是平稳的。不平稳的时间序列称为非平稳。期货研究中用到的日数据、周数据系列一般是非平稳的。 运用非平稳数据直接进行简单的回归会导致“伪回归”。 时间序列的平稳性检验方法 时间序列平稳性常用检验方法是单位根检验法。 一般地，非平稳序列的典型例子是随机游走： 常用的时间序列数据平稳性检验方法有：Dickey-Fuller检验方法（简称DF检验法）、增广FD检验法（简称ADF检验法）和Philips-Perron检验方法（简称PP检验法）。 2008年8月 格兰杰因果检验 该理论的基本思想是：变量x和y，如果x的变化引起了y的变化，x的变化应当发生在y的变化之前。即如果说“x是引起y变化的原因”，则必须满足两个条件： 第一，x应该有助于预测y，即在y关于y的过去值的回归中，添加x的过去值作为独立变量应当显著的增加回归的