第九章时间序列计量经济模型.ppt

第 九 章 引子 是真回归还是伪回归？ 经典回归分析的做法是: 首先采用普通最小二乘法（OLS）对回归模型进行估计，然后根据可决系数或 F 检验统计量值的大小来判定变量之间的相依程度。 根据回归系数估计值的 t 统计量对系数的显著性进行判断，最后在回归系数显著不为零的基础上对回归系数估计值给予经济解释。 为了分析某国的个人可支配总收入(I)与个人消费总支出(E)的关系，用OLS法作E关于I的线性回归，得到如下结果： t = （-7.481） (119.87) 从回归结果来看，R非常高，个人可支配总收入I的回归系数 t 统计量也非常大，边际消费倾向符合经济假设。凭借经验判断，这个模型的设定是好的，应是非常满意的结果。准备将这个计量结果用于经济结构分析和经济预测。 可是有人提出，这个回归结果可能是虚假的！可能只不过是一种“伪回归”！ “要千万小心!” 这里用时间序列数据进行的回归，究竟是真回归还是伪回归呢？为什么模型、样本、数据、检验结果都很理想，却可能得到“伪回归”的结果呢？ 时间序列数据被广泛地运用于计量经济研究。经典时间序列分析和回归分析有许多假定前提，如序列的平稳性、正态性等。 直接将经济变量的时间序列数据用于建模分析，实际上隐含了上述假定，在这些假定成立的条件下，据此而进行的t、F、等检验才具有较高的可靠度。 越来越多的经验证据表明，经济分析中所涉及的大多数时间序列是非平稳的。 问题：如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果；如何判断一个时间序列是否为平稳序列；当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理？ 本章内容: 时间序列计量经济分析的基本概念 时间序列平稳性的单位根检验 协整 第一节 时间序列基本概念 一、伪回归问题 传统计量经济学模型的假定条件：序列的平稳性、正态性。 所谓“伪回归”，是指变量间本来不存在相依关系，但回归结果却得出存在相依关系的错误结论。 20世纪70年代，Grange、Newbold研究发现，造成“伪回归”的根本原因在于时序序列变量的非平稳性 有些随机现象，要认识它必须研究其发展变化过程，随机现象的动态变化过程就是随机过程。 例如，考察一段时间内每一天的电话呼叫次数，需要考察依赖于时间t的随机变量ξt，｛ξt｝就是一随机过程。 又例如，某国某年的GDP总量，是一随机变量，但若考查它随时间变化的情形，则｛GDPt｝就是一随机过程。 随机过程的严格定义： 若对于每一特定的t（t∈T），Yt为一随机变量，则称这一族随机变量｛Yt｝为一个随机过程。 若T为一区间，则｛Yt｝为一连续型随机过程。 若T为离散集合，如T＝（0，1，2，……）或T＝（……，-2，-1，0，1，2，……），则｛Yt｝为离散型随机过程。 离散型时间指标集的随机过程通常称为随机型时间序列，简称为时间序列。 所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。 直观上，一个平稳的时间序列可以看作一条围绕其均值上下波动的曲线。 从理论上，有两种意义的平稳性，一是严格平稳，另一种是弱平稳。 严格平稳： 是指随机过程｛Yt｝的联合分布函数与时间的位移无关。设｛Yt｝为一随机过程，n, h为任意实数，若联合分布函数满足： 则称｛Yt｝为严格平稳过程，它的分布结构不随时间推移而变化。 弱平稳： 是指随机过程{}的期望、方差和协方差不随时间推移而变化。若｛Yt｝满足： E（Yt）=μ， 则称｛Yt｝为弱平稳随机过程。在一般的分析讨论中，平稳性通常是指弱平稳。 时间序列的非平稳性： 是指时间序列的统计规律随着时间的位移而发生变化，即生成变量时间序列数据的随机过程的特征随时间而