时间序列模型的分析课件.pptVIP

第五章 时间序列模型的分析 第一节 时间序列模型简介 时间序列模型(time series model) 第二节 平稳时间序列模型 时序图 平稳时间序列的意义 例 5-1 白噪声时间序列(White noise time series) 一、移动平均过程(MA ) MA(1)的统计性质 q 阶移动平均过程 q 阶移动平均过程 无穷阶移动平均过程 二、自回归过程(AR) 一阶自回归模型 AR(1)的统计性质 1 均值 2 方差 3 协方差 AR(1)模型的相关图 样本估计 例 样本自相关图 二阶自回归模型 中心化模型 AR(2)的方差与协方差 特征方程(characteristic equation) 特征根判别 例 AR(p)模型阶数 p 的确定 AR(2)的自相关系数方程 三、ARMA 过程 ARMA (p, q) 模型的平稳条件 ARMA (p, q) 模型的均值 ARMA (p, q) 模型的协方差 过度参数化 例 1 时序图 2 自相关图 3 模型识别 AR(1)模型 AR(2)模型 AR(3)模型 4 选择合适模型 第三节 非平稳时间序列模型 趋势平稳模型与单位根过程 随机游动过程(random walk process) 趋势平稳模型与单位根过程的主要区别 一、非平稳时间序列简介 误差项的方差 例5-3 时间序列的单积性 二、单位根时间序列的检验 三种模型 迪基—富勒(Dickey-Fuller)检验(简称DF检验) φ检验 拓展迪基—富勒检验(简记ADF检验) 例 1 带有移动量的随机游动模型 带有移动量随机游动模型的DF检验 2 带有移动量和线性时间趋势量的随机游动模型 带有移动量和线性时间趋势量随机游动模型的DF检验 第四节 向量自回归模型 例 5-4 一、向量自回归模型的识别与估计 递归模型的参数估计 似乎不相关回归模型(简称SUR模型) SUR模型的参数估计 二、向量自回归模型的检验(1) 滞后期长度的确定 例 AIC信息准则和SBC准则 Granger因果检验(Granger causality test) 例 把自回归模型拓展到向量，称为向量自回归模型(vector autoregression model, 简称VAR模型)。向量自回归模型非常适合于研究各种变量之间的关系, 基本形式为 (5-42) 其中 为 向量，即包含n个变量， 。(5-42)常称为VAR模型的标准形式，可认为是结构模型的简约型。 本节假定(5-42)中 都是平稳序列，分别讨论VAR模型的识别、估计和检验以及一些重要的应用。 ~ 设双变量自回归模型 (5-43) (5-44) 其中 和 为白噪声且不相关。(5-43)和(5-44)往往建立在经济学理论的基础上，常称为结构型。通过变换，可将结构型转换为简约型。记 则(5-43)和(5-44)可联合表示为 从而简约型为 (5-45) (5-46) 其中 。 根据模型识别方法，例5-4的模型不可识别，从而不能由简约型参数估计值给出结构型参数的估计值。 若 ，则 (5-47) 和 (5-48) 成为递归模型。即 (5-48) 只包含一个内生变量 ，其余都是前定变量，而(5-47)包含两个内生变量，其中 为前一个方程的内生变量。这种递归模型的内生变量之间并不相互影响，而只是单向影响。例如(5-47)和(5-48)表明 影响 ，而 不影响 。 (5-47) (5-48) 根据递归模型(5-47)、(5-48), 得简约型模型 (5-49) (5-50) 其中 即(5-50)中系数与(5-48)完全相同。 对于递归模型, 各方程可分别采用OLS估计。 对简约型模型(5-49)和(5-50), 记 由于 和 不相关, 得 (5-51) 即协方差矩阵 因而, 每个方程的误差项都不相关, 但不同方程之间的误差项相关, 这种模型称为似乎不相关回归模型( seemingly unrelated regression model), 即SUR模型。 对SUR模型, 有两种参数估计方法。 (1) 广义最小二乘估计(GLS估计): 当协方差矩阵末知时, 则需要先估计协方差, 即采用可行广