Chap时间序列分析简介(计量经济学厦门大学,黄长全)..pptVIP

时间序列分析简介 正如从图1.1所见到的, 散点图可分离成两块云状的部分, 一部分属于前两年的数据，另一部分属于接下来年份的数据。当把时间因素考虑进去时，我们发现 似乎完全由位于图1.1右下角的79年至80年间的数据决定。相应地，来自收益率差的如此高的解释力总的来看则似乎是不正确的。这个例子表明当时间因素没有恰当地考虑进去时，重要的信息就可能失去。 图1.3是每年营业收入的框图。其中位数开始似乎年年都在上升，第三年后则回落。当中位数增长时，四分位数间的范围(IQR)变大；当中位数回落时，四分位数间的范围则变小。反之亦然。大多数的框图是对称的或只有很轻微的正偏。此外，没有异常值。 在图1.3中，我们可以画出一条光滑的曲线，把每年季度营业收入的中位数连接起来。我们已经描述了关于中位数的较长时间的循环问题。这个循环模式在七年间重复了一次。这种较长时期的循环在原时间序列图(图1.2)中是很难看出来的。 * * 。 一般地，可以证明当且仅当权数满足如下描述的两个条 件时，带有权数的线性滤子过滤的次多项式时 不会扭曲此多项式。 命题1.1 当且仅当及对都成立时, 对所有的次多项式,有。 1.1基本概念 时间序列所研究的是时间上的相关结构。它的应用广泛，从海洋学到金融学 都是它的应用范围。著名的CAPM模型（资本资产定价模型）和随机波动模型就是 含有时间序列成份的金融模型的例子。当我们考虑一时间序列时，我们通常考虑一 个数值的集合，其中下标t表示数据被观测到的时间。虽然直观 上很清楚，我们还是来详细描述一下的一系列非标准特性。 非等距数据(缺损数据)。例如，若时间序列是某一证券的日收益率，则在节假 日等非交易日里就没有数据可得了。 连续时间序列。在许多物理现象中，令人感兴趣的基本物理量往往是由连续演 变的机制所控制的，因而观测到的数据就应该用连续时间序列X(t)来建模。在金融 领域，我们可以把滴嗒一声记录一下所得数据看成是对市场连续演变的一种良好逼近。 总计性。 观测到的序列可以表示一段时间上基本数量的累加。例如，日 收益可看成是同一天内滴嗒一声记录一下的收益的总和。 重复观测的序列。 这数据还可以表示同一个量在不同的观测对象上重复 测量的结果。例如，我们可以监察在某一期间内某一超市连锁店的一群顾客 中的每一个人的每周总消费额。 多元时间序列。此时不是一维纯量，而是一个向量，其每一个分量都 各自代表一个时间序列。例如，一个由p支股票构成的投资组合其收益率可 表示为，其中每一个各代表此投资组合中一 支股票的收益率。在此情形，我们不仅对每一支股票内的序相关结构感兴趣， 而且也对不同股票间的横向相关结构感兴趣。 非线性性，非平稳性和异方差性。实践中遇到的许多时间序列可能具有非 线性行为。有时对它们进行变换是有帮助的，但我们常常不得不去建立复杂费 神的模型以说明这种非标准的特性。例如，股票收益率的非对称行为推动了对 GARCH模型的研究。 虽然这些特性是重要的，但本书主要讨论标准的纯量时间序列。只有对分 析等距纯量时间序列的技术和困难之处有透彻的理解后，我们才能够处理非标 准特性的一些问题。 在经典统计中，我们通常假定是独立的。在时间序列领域，通常是序 相关的。时间序列分析的目的之一就是利用这种序相关结构去帮助我们建立更 好的模型。下面的例子在置信区间估计方面说明了这一点。 例1.1设 是由以下模型产生的: 显然，和。因此， 令。由公式 容易看出 因此，。于是的约95%的置信区间(CI)是 。 如，这CI就成为 此与独立同分布(i.i.d.)情形重合。 和时置信区间之间的差异可表白示为 。 表1.1 时置信区间的长度 -1 -0.5 1.34 0 1 0.5 0.45 1 0.14 表1.1 列出了时此差异的数值。例如，若而假 如我们使用时的置信区间来代替时的置信区间，那 么这错误地建立起来的置信区间比其应有的长度长得多。在本 例这种情形，模型给出的时序相关结构帮助产生了更好的推断。 例1.2 作为第二个例子,