高等计量经济学第2章第4节.docVIP

§2.4 线性时间序列分析模型 时间序列分析模型包含广泛的内容，在经济预测中得到广泛的应用。在许多高等院校中将它作为一门专门课程，有关时间序列分析的教科书也不泛其数。在本节书中，只对几类常用的、在数学上采用回归分析的方法估计参数的线性时间序列分析模型作一介绍，作为经典计量经济学模型的一类扩展，使读者建立一个基本的概念与框架，为进一步专门学习与应用时间序列分析模型建立一个基础。 一、时间序列分析模型概述 所谓时间序列，就是各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据。所谓时间序列分析模型，就是揭示时间序列自身的变化规律和相互联系的数学表达式。 时间序列分析模型分确定性模型和随机模型两大类。 ⒈ 确定性时间序列分析模型 对于一个时间序列 确定性模型主要有以下几种。 ⑴ 滑动平均模型 将下列平均数 (2.4.1) 称为时间序列的滑动平均数序列。该式表达的模型称为滑动平均模型。滑动平均模型的主要作用是消除干扰，显示序列的趋势性变化，并用于趋势预测。 ⑵ 加权滑动平均模型 将下列平均数 (2.4.2) 称为时间序列的加权滑动平均数序列。为加权因子，满足 由(2.4.2)式表达的模型称为加权滑动平均模型。加权滑动平均模型的主要作用除了消除干扰，显示序列的趋势性变化外，还可以通过加权因子的选取，增加新数据的权重，使趋势预测更加准确。 ⑶ 二次滑动平均模型 所谓二次滑动平均是对经过一次滑动平均产生的序列再进行滑动平均。即 (2.4.3) 由此构成的序列称为时间序列的二次滑动平均数序列，该式表达的模型称为二次滑动平均模型。 ⑷ 指数平滑模型 如果采用下式求得序列的平滑预测值 (2.4.4) 则称此预测模型为指数平滑模型，其中称为平滑常数，。(2.4.4)也可以写成： (2.4.5) 即预测值是前期实际值与预测值的加权和。 如何选择？一种方法是优选法。按照优选法的规则，选择不同的，代入模型，计算预测值序列。以实际值与预测值的差的平方和最小为准则，确定值。 ⑸ 二次指数平滑模型 在一次指数平滑模型的基础上再进行指数平滑计算，即构成二次指数平滑模型。同样，还可以构成三次指数平滑模型。不再赘述。 ⒉ 随机时间序列分析模型 随机时间序列分析模型分为3种类型：自回归模型（Auto-regressive Model, AR）、滑动平均模型(Moving Average Model, MA)和自回归滑动平均模型（Auto-regressive Moving Average Model, ARMA)。 ⑴ 自回归模型 若时间序列为它的前期值和随机项的线性函数，可以表示为： (2.4.6) 则称该时间序列为自回归序列，该模型为p阶自回归模型，记为AR(p)。参数 为自回归参数，是模型的待估参数。随机项为服从0均值、方差为的正态分布，且互相独立的白噪声序列。而且随机项与不相关。 引入滞后算子B，模型(2.4.6)可以表示为： (2.4.7) 其中 进一步有 (2.4.8) 令 则模型可写成： ⑵ 滑动平均模型 若时间序列为它的当前与前期的误差和随机项的线性函数，可以表示为： (2.4.9) 则称该时间序列为滑动平均序列，该模型为q阶滑动平均模型，记为MA(q)。参数 为滑动平均参数，是模型的待估参数。 同样，(2.4.9)可以写成： (2.4.10) 令 则模型可写成： ⑶ 自回归滑动平均模型 若时间序列为它的当前与前期的误差和随机项，以及它的前期值的线性函数，可以表示为： (2.4.11) 则称该时间序列为自回归滑动平均序列，该模型为(p,q)阶自回归滑动平均模型，记为ARMA(p,q)。参数 为自回归参数，为滑动平均参数，是模型的待估参数。引入引入滞后算子B，(2.4.11)可以表示为： 二、随机时间序列分析模型（AR、MA、ARMA）的识别 自回归滑