管理定量分析第9章非平稳时间序列精品.pptVIP

㈢相关矩阵法 ㈣Frisch综合分析法 Frisch综合分析法也叫逐步分析估计法，其基本思想是先将被解释变量对每个解释变量作简单回归方程，称为基本回归方程。再对每一个基本回归方程进行统计检验，并根据经济理论分析选出最优基本方程，然后再将其他解释变量逐一引入，建立一系列回归方程，根据每个新加的解释变量的标准差和复相关系数来考察其对每个回归系数的影响，一般根据如下标准进行分类判别： 多重共线性的处理 多重共线性可用先验信息法、改变变量的定义形式、主成分法、岭回归估计、逐步回归法等方法处理。 本章到此结束！ 谢谢各位！ 另一个案例 假设我们希望评估对新进入某地区的工业企业免税的政策对该地区生产增长的影响。 我们希望能发现这些政策独立于其他因素之外对生产的影响。特别是在时间序列中，应意识到有两个因素可能会混杂在我们所发现的结果中，趋势(trend)就是这种因素之一。 也许在引进了免税制后，生产的确比以前有了明显的增长，但是这种增长很可能是生产增长长远趋势的一部分。 另外一个因素是周期性，即经济增长模式的循环性。经济增长也许是在一个有规律的循环中波动，繁荣几年后也许会出现几年经济低谷，然后再繁荣。在决定特定政策的影响时，我们必须考虑这种循环模式。 如果政策实施是在经济循环的谷底，也许出现的正面影响事实上并不是政策作用的结果；相反，如果在循环的谷峰，则看起来政策呈现出一种负面效果。 9.1.4脉冲效应 例如，校团委认为每年三月份的“学雷锋”活动产生的好人好事数量剧增的影响。“学雷锋”活动从3月1日开始，持续到3月底结束。团委书记对这个假设很感兴趣，他从数据库中调取了全校每个月登记的好人好事件数。数据见表9—5 。 9.2.1利用数据来表示计划变动 到目前为止，在本章所用的断续时间序列分析模型中，自变量或者是趋势变量、虚拟变量，或者是某种计数变量。虚拟变量是反映政策或新计划的变动的非常粗略的指标。分析人员通常用更好的测度来反映政策变动。 例如，让我们假定政府想了解医疗救助计划(一个面向低收入人群的保健计划)对婴儿死亡率是否产生了影响。 婴儿死亡率(每1000名活产婴儿中的婴儿死亡数)是因变量；分析覆盖的时期从1951-1988年。 在医疗救助计划实施( 1965年)之前，由于营养与医疗水平的普遍改善，婴儿死亡率一直在下降。为了反应改善的一般趋势，引入了一个趋势变量( x1),1950年取1，以后每年递增1。传统的断续时间序列会建立两个新的自变量:一个是短期效应( x2)，医疗救助计划实施(1965年)以后取1，实施以前取0；另一个是长期效应，医疗救助计划实施以前取0，实施以后为一个计数变量(x3 )。 这种断续时间序列回归的结果如下: 检验医疗救助计划对婴儿死亡率的影响的另一种方法是使用医疗救助总支出(单位为不变价百万元)。这种断续时间序列分析结果如下: 9.2.2控制其他变量 断续时间序列分析的一个优点是它允许分析人员对可能影响因变量的其他因素进行控制，方法是把这些因素作为附加的自变量引入分析。 例如，2005年，政府非常关心为医疗改革的效果。政府专门成立了医疗费用监控中心，该中心的任务是降低医疗费用。 他们按照工作目标，提出并实施了新的计划，为了确定这一计划是否影响医疗费用，可以把单位为百万元的医疗费用作为因变量，自变量可以包括两个：一个是趋势变量(x1 )，每年增加1；另一个是关于医疗费用监控中心计划的短期影响变量( x2)。 这个估计的问题在于它没有考虑由通货膨胀导致的医疗费用的迅速上涨。只要把通货膨胀的测度引入回归方程，断续时间序列分析就可以处理这个问题。 本例中，医疗价格的测度(医疗价格指数，以1997年为100)作为第三个自变量( x3)被引入回归分析。回归结果如下: 9.3非平稳时间序列的特殊问题 9.3.1滞后效应 9.3.2自相关 9.3.3一个综合问题：多重共线性 9.3.1滞后效应 虽然在我们的例子中我们假设政策自其颁布之日起就发生效用，但是这个假设不是在任何情况下都是合理的。 有时候法律在这年颁布，但却在下一年实施。在进行时间序列分析时，你需要考虑如何合理地假设你的政策被实施或被认为显示出显著影响的时间。 如果时间是在年中，那就可以把该年编码为1。如果无法确定时间，你可以试着选取两年或是更多年份作为政策实施年份，看看它们在模型中会产生什么样的影响。 例如，l986年美国大学体育总会（NCAA）提高了对新招募的运动员在教育程度上的要求，但是直到l990年，这项政策才对大学毕业的运动员的比率显示出影响（或在那些优秀运动员居多的学校，直到l991或1992年才显示出影响）。 如果是这样的话，那么对于政策实施后的对应变量，我们就不应把开始实施政策的1986年编码为1，而是应把1990年编码为1，19