第八章时间序列分析09108.ppt

经济分析中所用的三类重要数据中，时间序列数据是其中最常见的，也是最重要的一类数据。因此对时间序列数据的分析就成了计量经济分析最为重要的内容之一。迄今为止，对时间序列的分析是通过建立以因果关系为基础的结构模型进行的。 时间序列模型的用处： 研究序列本身的变化规律 便于结构模型和时间序列模型的预测 是非经典计量经济学的基础之一，如协整、VAR模型、面板、ARCH、GARCH模型等。 建立时间序列模型主要包括三个步骤： 第一，时间序列的识别及模型形式的选择； 第二，模型参数的估计； 第三，模型的诊断检验。 上述三个步骤中最重要的是第一步。通过对相关图及偏相关图的分析，确定模型的形式。对于给定的时间序列，模型形式的选择确定并不是唯一的。在实际建模过程中经验越丰富，模型形式的选择就越准确合理。 常见的参数集有： T={0，1，2，…},T={1,2,…}, T={…,-2,-1,0,1,2,…}, Y=[a,b], T=[0,+∞), T=[-∞,+ ∞] 等等。 二、非平稳时序的平稳化 实际生活中，多数经济中的时间序列都是非平稳的。但建随机模型的前提是时序平稳，因此可以利用差分的方法使非平稳时序转化为平稳时序。（前提是含有随机趋势，而非确定性趋势） k阶差分可表示为 xt - xt -k = (1- Lk ) xt = xt – Lk xt k阶差分常用于季节性数据的差分。 Stationary Conditions for AR(2): Examples yt = ?1yt-1 + ?2yt-2 + ?t ?(B) = 1 – ?1B – ?2B2 = 0 ?(r) = r2 - ?1r – ?2 = 0 yt = 0.8yt-1 + 0.3yt-2 + ?t yt = 1.4yt-1 - 0.7yt-2 + ?t A Necessary Condition for Stationary AR(p) A necessary condition for AR(p) to be stationary: ?1 + ?2 + … + ?p 1 and |?p| 1 Invertibility of MA(1) yt = ?t + ??t-1 = (1 + ?B)?t = ?(B)?t Let ?(B) ? ?-1(B) = 1/(1+?B), then ?(B)yt = ?t ?(B) = 1/(1+?B) = 1 - ?B + ?2B2 - ?3B3 + ?4B4 - … ?(B)yt = yt - ?yt-1 + ?2yt-2 - ?3yt-3 + ?4yt-4 - … = ?t yt = ?yt-1 - ?2yt-2 + ?3yt-3 - ?4yt-4 + … + ?t Q: When is ?(B) invertible, so MA(1) ? AR(?)? A: If and only if |?| 1, then ?(B) is invertible so MA(1) can be represented as a AR(?) 也只有满足这一条件，才能满足转换后的自回归过程是平稳的。 Stationarity and Invertibility of AR(p) and MA(q) Stationary Invertible AR(p) ? roots of ?(B) Always MA(?) |B| 1 MA(q) ? Always roots of ?(B) AR(?) |B| 1 自相关系数序列?k，k=0,1,…,K；称为自相关函数，是k的函数。由?k定义可知， ?k ＝ ? － k （以0为对称）。 三、移动平均过程的自相关函数（截尾） 1.MA（q）过程的自相关函数 三、模型的诊断与检验 这一阶段主要检验拟合的模型是否合适。检验内容及相应统计量包括： 一是检验模型参数的估计值是否具有显著性（t统计量）； 二是为保证模型的平稳性，模型的特征根的倒数皆小于1； 三是检验残差序列的随机性。模型拟合的优劣以及残差序列随机性（白噪声）的判别是用伯克斯－皮尔斯(Box-Pierce 1970)提出的Q统计量进行检验完成的。 Unconditional Distribution of AR(1) yt = ?yt-1 + ?t, where ?t ~ N(0,?2) E[yt] =