8时间序列基本回归.pptVIP

第二篇 时间序列数据的回归分析 时间序列数据的基本回归分析 y = b0 + b1xt1 + b2xt2 + . . . bkxtk + u * 时间序列数据的基本回归分析 我们集中讨论时间序列应用的高斯-马尔可夫假定。 时间序列数据的性质 时间序列数据集是按照时间顺序排列的。 时间序列数据是以时间为指标的一个随机变量序列。 一个标有时间下标的随机变量序列被称为一个随机过程。我们搜集到的一个时间序列数据集，称该随机过程的一个可能结果或实现。一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。 * 时间序列回归模型的例子 a static model 一个静态模型 “静态模型”的名称，来源于y和z同期关系的事实。 有限分布滞后模型 容许一个或多个变量对y的影响有一定的时滞 这是一个二阶FDL。 被称为冲击倾向（或冲击乘数，即期乘数）。 被称为长期乘数。 * A dynamic model 一个动态模型 时间序列数据：在经典假定下OLS的有限样本性质 OLS的无偏性 假定 TS.1:：模型对于参数呈线性关系 假定 TS.2 ：没有完全共线性 假定 TS.3： 零条件期望 定理 10.1 (OLS的无偏性):在假定TS.1-3下，OLS估计量条件于X是无偏的，因此也是无条件无偏。 * The assu