时间序列计量经济学模型讲义.ppt

第九章 时间序列计量经济学模型 主要内容 确定性时间序列模型 随机时间序列概述 时间序列的平稳性及其检验 随机时间序列分析模型 协整分析和误差修正模型 时间序列和时间序列模型 时间序列： 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。 一个时间序列数据可以视为它所对应的随机变量或随机过程（stochastic process）的一个实现（realization） 时间序列分析模型：解释时间序列自身的变化规律和相互联系的数学表达式 确定性的时间序列模型 随机时间序列模型 第一节、确定性时间序列模型 事物变化的过程有一类是确定型过程，可以用关于时间t的函数描述的过程。 例如，真空中的自由落体运动过程，电容器通过电阻的放电过程，行星的运动过程等。 滑动（移动）平均模型 加权滑动平均模型 二次滑动平均模型 指数平滑模型 (1) 滑动平均模型 (2) 加权滑动平均模型 (3) 二次滑动平均模型 (4) 指数平滑模型 （5）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。同样可以构成三次指数平滑模型。 第二节、 随机时间序列概述 经济量预测的方法 一、根据一定的经济理论，建立各种相互影响的经济变量之间的关系模型，根据观测到的经济数据估计出模型参数，利用模型来预测有关变量的未来值。 这种方法的优点在于精确地考虑到了各经济变量之间的相互影响，有理论依据，但是由于抽样信息不完备，经济模型和经济计量模型不可能真正准确地反映了经济现实，因而得到的结果不可能是相当准确。 二、利用要预测的经济变量的过去值来预测其未来值，而不考虑变量值产生的经济背景。 这种方法假定数据是由随机过程产生的，根据单一变量的观测值建立时间序列模型进行预测。这种方法在短期预测方面是很成功的。 随机过程与随机序列 时间序列分类 随机过程的一次实现称为时间序列，也用{x t }或x t表示。 与随机过程相对应，时间序列分类如下： 随机过程与时间序列的关系 随机过程: {x1, x2, …, xT-1, xT,} 第1次观测：{x11, x21, …, xT-11, xT1} 第2次观测：{x12, x22, …, xT-12, xT2} ? ? ? ? ? 第n次观测：{x1n, x2n, …, xT-1n, xTn} 例1 某河流一年的水位值，{x1, x2, …, xT-1, xT,}，可以看作一个随机过程。每一年的水位纪录则是一个时间序列，{x11, x21, …, xT-11, xT1}。而在每年中同一时刻（如t = 2时）的水位纪录是不相同的。{ x21, x22, …, x2n,} 构成了x2取值的样本空间。 例2 要记录某市日电力消耗量，则每日的电力消耗量就是一个随机变量，于是得到一个日电力消耗量关于天数t的函数。而这些以年为单位的函数族构成了一个随机过程 {xt}, t = 1, 2, … 365。因为时间以天为单位，是离散的，所以这个随机过程是离散型随机过程。而一年的日电力消耗量的实际观测值序列就是一个时间序列。 说 明 自然科学领域中的许多时间序列常常是平稳的。如工业生产中对液面、压力、温度的控制过程，某地的气温变化过程，某地100年的水文资料，单位时间内路口通过的车辆数过程等。 但经济领域中多数宏观经济时间序列却都是非平稳的。如一个国家的年GDP序列，年投资序列，年进出口序列等。 随机时间序列模型 自回归模型（AR） 移动平均模型（MA） 自回归—移动平均模型（ARMA） 第三节、时间序列的平稳性及其检验 一、基本概念 回忆：经典回归模型的假定 经典线性正态假定：进一步的说明 如果满足假定1-3，回归系数的OLS估计量是无偏的 如果满足假定1-5，回归系数OLS估计量的方差估计是无偏的，而且OLS估计量是最优线性无偏估计量 如果满足假定1-6，模型的t检验和F检验是有效的 经典线性正态假定：进一步的说明 在大多数情况下，时间序列很难满足经典线性正态模型假定，特别是误差项条件均值为0、无序列相关以及正态性的假定。因此，就需要用大样本来做渐进处理。 大样本条件下的普通最小二乘估计 假定 这些假定比有限样本下的假定弱得多 大样本条件下的普通最小二乘估计 如果满足假定1-3，回归系数的OLS估计量是一致的 如果满足假定1-5，回归系数OLS估计量是渐近正态分布的，模型的t检验和F检验是渐近有效的 经典回归模型与数据的平稳性 经典回归分析暗含着一个重要假设：数据是平稳的。 数据非平稳，大样本下的统计推断基础——“一致性”要求——被破坏。 如果X是非平稳数据（如表现出向上的趋势），则一致性条件不成立，回归估计量不满足“