时间序列模型讲义1.ppt

主要内容 §9.1 序列相关理论 §9.2 平稳时间序列建模 §9.3 非平稳时间序列建模 §9.4 协整和误差修正模型 检验结果显示，一阶差分?CPI序列拒绝原假设，接受?CPI序列是平稳序列的结论。因此，CPI序列是1阶单整序列，即CPI～I(1)。 例9.9 检验中国GDP序列的平稳性 3. PP检验 类似于DF检验的作用，Phillips和Perron（1988）提出一种非参数方法来检验一阶自回归过程AR(1)的平稳性(附加一个修正因子)，对于方程 (9.3.15) 原假设和备选假设为： 接受原假设，意味着存在一个单位根；反之，接受备选假设，意味着不存在单位根。PP检验(Phillips-Perron Test)也是通过构造一个具有t分布的统计量tp,p来检验的取值情况，只是此时t统计量的构造相对于DF检验的统计量更为稳健。 PP统计量tp,p的具体构造形式如下： 也就是说，对于一个平稳的时间序列可以通过过去时间点上的信息，建立模型拟合过去信息，进而预测未来的信息。 而非平稳时间序列在各个时间点上的随机规律是不同的，难以通过序列已知的信息去掌握时间序列整体上的随机性。因此，对于一个非平稳序列去建模，预测是困难的。但在实践中遇到的经济和金融数据大多是非平稳的时间序列。 图9.9 中国1978年～2002年的GDP序列 1. 确定性时间趋势和单位根过程 描述类似图9.9形式的非平稳经济时间序列有两种方法，一种方法是包含一个确定性时间趋势 (9.3.1) 其中ut是平稳序列；a + ? t 是线性趋势函数。这种过程也称为趋势平稳的，因为如果从式(9.3.1)中减去a + ? t，结果是一个平稳过程。注意到像图9.9一类的经济时间序列常呈指数趋势增长，但是指数趋势取对数就可以转换为线性趋势。 § 9.3.1 非平稳序列和单整 另一种方法是设定为单位根过程，非平稳序列中有一类序列可以通过差分运算，得到具有平稳性的序列，考虑下式 (9.3.2) 也可写成 (9.3.3) 其中a是常数，ut是平稳序列，若ut ～ i.i.d. N (0, ? 2) ，且ut 是一个白噪声序列，则该过程称为含位移a的随机游走。若令a = 0， y0 = 0，则由式(9.3.2)生成的序列yt，有var(yt) = t? 2（t = 1, 2, ?, T），显然违背了时间序列平稳性的假设。而其差分序列? yt是平稳序列。 实际上，在9.1节中讨论的回归方程的序列自相关问题是暗含着残差序列是一个平稳序列。这是因为，如果残差序列是一个非平稳序列，则说明因变量除了能被解释变量解释的部分以外，其余的部分变化仍然不规则，随着时间的变化有越来越大的偏离因变量均值的趋势，这样的模型是不能够用来预测未来信息的。 残差序列是一个非平稳序列的回归被称为伪回归，这样的一种回归有可能拟合优度、显著性水平等指标都很好，但是由于残差序列是一个非平稳序列，说明了这种回归关系不能够真实的反映因变量和解释变量之间存在的均衡关系，而仅仅是一种数字上的巧合而已。伪回归的出现说明模型的设定出现了问题，有可能需要增加解释变量或者减少解释变量，抑或是把原方程进行差分，以使残差序列达到平稳。 一个可行的办法是先把一个非平稳时间序列通过某种变换化成一个平稳序列，根据9.2节中的方法建模，并利用变量之间的相关信息，描述经济时间序列的变化规律。 2. 单整 像前述yt这种非平稳序列，可以通过差分运算，得到平稳性的序列称为单整（integration）序列。定义如下： 定义