第十章时间序列分析副本..pptVIP

计量经济学—理论·方法·EViews应用 郭存芝 杜延军 李春吉 编著 电子教案 第一节 时间序列分析概述 经典计量经济模型常用到的数据有： 时间序列数据（time-series data)； 截面数据(cross-sectional data) 平行/面板数据（panel data/time-series cross-section data) 时间序列数据是最常见，也是最常用到的数据。 经典回归分析暗含着一个重要假设：数据是平稳的。 白噪声（white noise）。 最简单的随机时间序列是一个具有零均值同方差的独立同分布序列： 该序列常常为称为是一个白噪声。白噪声序列具有相同的均值和方差，且协方差为零，因此，白噪声序列是平稳的。 弱相关平稳随机过程满足下列条件： （1）均值 是与时间t无关的常数； （2）方差 是与时间t无关的常数； （3）协方差 是只与时间间隔h有关，与时间t无关的常数。 一个独立序列无疑是弱相关序列，因此独立同分布序列是弱相关时间序列。弱相关序列的一个例子是： 不平稳的随机过程则称为非平稳过程（nonstationary process） 随机游走的定义 类似随机游走（带或不带漂移项）这样的过程，一旦用于回归分析，则可能导致误导性的结果，幸运的是，只要做一些简单变换，就可以使它们变成弱相关平稳的过程。 三、ADF单位根检验在Eviews中的实现 从中国统计年鉴中获取名义GDP和GDP指数数据，然后计算得到1979-2011年真实GDP数据，对真实GDP做ADF单位根检验。 Eviews 中提供的检验方法 Eviews 中提供的滞后阶数选择 1、单整 如果一个时间序列经过一次差分变成平稳的，就称原序列是一阶单整序列，记为I(1)。 一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整序列，记为I(d)。 I(0)代表一平稳时间序列。 2、趋势平稳与差分平稳随机过程 含有一阶自回归的随机过程： 如果ρ=1，β=0，y成为一带位移的随机游走过程。根据α的正负， y表现出明显的上升或下降趋势。这种趋势称为随机性趋势（stochastic trend）。 如果ρ=0，β≠0, y成为一带时间趋势的随机变化过程。根据β的正负， y表现出明显的上升或下降趋势。这种趋势称为确定性趋势（deterministic trend）。 如果ρ=1，β≠0 ，则y包含有确定性与随机性两种趋势。 判断一个非平稳时间序列的趋势是随机性的还是确定性的，可通过ADF检验中所用的第3个模型进行。 该模型中已引入了表示确定性趋势的时间变量，即分离出了确定性趋势的影响。 如果检验结果表明所给时间序列有单位根，且时间变量前的参数显著为零，则该序列显示出随机性趋势； 如果没有单位根，且时间变量前的参数显著地异于零，则该序列显示出确定性趋势。 差分平稳过程和趋势平稳过程 具有随机性趋势的时间序列通过差分的方法消除随机性趋势。该时间序列称为差分平稳过程（difference stationary process）； 具有确定性趋势的时间序列通过除去趋势项消除确定性趋势。该时间序列称为趋势平稳过程（trend stationary process）。 在现实经济中，很多时间序列都是非平稳的，但是，如果它们之间存在协整关系，而具有协整关系的经济变量之间具有长期的稳定关系，那么，就可以使用经典回归模型方法建立回归模型。 误差修正模型的基本思想是： 如果变量之间存在协整关系，即表明这些变量之间存在长期的稳定关系，而这种长期稳定的关系是在短期动态过程的不断调整下得以维持的。 大多数经济时间序列的一阶差分序列是平稳的，同时，存在着某种联系方式例如线性组合，可以把相互的协整过程和长期稳定的均衡状态结合起来。即使所研究的各个变量的水平值都是一阶差分平稳的， 受支配于长期分量，但是这些变量的某些线性组合也可以是平稳的，即所研究变量之间的长期分量相互抵消，产生了一个平稳的时间序列。这个过程中，误差修正机制作为一种调节过程在起作用，防止了长期关系的偏差在规模或数量上的扩大。 因此，任何一组相互协整的时间序列变量都存在误差修正机制，反映短期的调节行为。 第四节 案例分析 四、单整、趋势平稳与差分平稳 现实经济生活中只有少数经济指标的时间序列表现为平稳的，如利率等; 大多数指标的时间序列是非平稳的， 大多数非平稳的时间序列一般可通过一次或多次差分的形式变为平稳的。 但也有一些时间序列，无论经过多少次差分，都不能变为平稳的。这种序列被称为非单整的（non-integrated）。 第三节 协整检验和误差修正模