第8章 时间序列基本问题.pptVIP

 第二篇??? 时间序列数据单方程模型 第八章 时间序列回归的一般问题 第九章 结构型时间序列模型 第十章 误差项自相关与异方差 第八章 时间序列回归的一般问题 第一节 时间序列回归的特殊性 随机变量在特定时间上的观测值按照先后顺序排列而成的数据集称为时间序列数据。时间序列用xt表示。在不致引起混淆的情况下，还用来表示随机变量，或者用来表示这个随机变量在时刻t的观测数据。由于时间序列数据的特殊性，使得时间序列回归与横截面数据回归相比有很大不同。 一、随机过程 横截面数据:样本是从总体中产生 时间序列数据：由相应随机过程产生 自然界中事物变化的过程可以分成两类： 1.确定型过程。可以用关于时间t的函数描述的过程。 例：真空中的自由落体运动过程。 2.随机过程（非确定型过程）。不能用一个（或几个）关于时间t的确定性函数准确描述的过程。对同一事物的变化过程独立、重复地进行多次观测而得到的结果是不相同的。 例：河流水位的测量为例。 一组时间序列数据，相当于对应随机过程的一次实现。（类似横截面数据中总体和样本的关系） 例如，某市日电力消耗量是一个随机变量，以年为单位的日电力消耗量是一个随机过程（相当于未知总体）。而特定年份实际观测值序列就是一个时间序列（相当于样本）。 随机过程是生成时间序列数据的内在机制，故又被称为数据生成过程（DGP）。 实际的生成时间序列的随机过程永远是未知的。外面的任务之一就是通过观察到的时间序列对其数据生成过程的某些特征进行推断或估计（类似于横截面回归中通过样本推断总体）。 二、常用术语 （一）滞后 x的当期观测值记为xt，它的过去观测值（或前期观测值） 称为滞后值，前一期值称为一阶滞后值，记为xt-1，以此类推，前第j期值称为j阶滞后值，记为 。在回归模型中xt-j 叫做x的滞后变量（或滞后项）。 定义 其中，L称为滞后算子。如 （二）差分 随机变量的当期值与其滞后值相减的运算叫差分。数值之间的间隔期数称为差分阶数，差分运算的次数称为差分次数。 一阶一次差分 ： 二阶一次差分 ： k阶一次差分 ： 高次差分是对差分序列的再差分 。 一阶二次差分 ： （三）自协方差 自协方差度量随机变量在两个不同时期的观测值之间关联的方向和程度。定义为时间序列滞后期的自协方差： 显然时间序列滞后0期的自协方差就是方差： 与两个随机变量的协方差一样，自协方差的正负符号和绝对值大小反映了同一个随机变量不同时期取值的关联方向和程度。 （四）自相关函数 自协方差绝对值大小没有确定的上下界，不方便使用。为了将自协方差标准化为一个[-1，+1]之间的有界函数，我们引入自相关函数： 自相关函数的取值范围与横截面数据的相关系数解释完全相同。 （五）自回归 p阶自回归序列AR(p) ： 随机扰动项是相互独立的平稳序列，均值独立于滞后变量： 使用滞后算子， AR(p)可表示为 AR(p)的特征方程： 最简单的自回归方程是没有常数项的AR(1)： 三、时间序列回归的特殊性 （一）侧重于预测 时间序列回归分析与横截面回归分析的侧重点有所区别。横截面回归分析大多数采用结构模型（即因果模型），关注的是解释变量对被解释变量条件均值的效应，预测问题不是主要问题；时间序列回归分析重点考察变量之间的长期均衡和短期调整问题，预测是其应用的重点，结构分析的重要性倒在其次。由于研究侧重点不同，所以除了结构模型之外，时间序列回归还经常采用非结构性模型或动态模型。 （二）“伪回归”问题 所谓“伪回归”（ “虚假回归”），是指变量间本来不存在系统性的数量依存关系，但回归结果却得出存在系统性关系的错误结论的现象。伪回归与时间序列的特性有关： 1. 确定性时间趋势（或季节变化）：“第一种类型的伪回归” （遗漏时间或季节变量造成）。 2. 非平稳或高度持久：“第二种类型的伪回归”。 大数定律和中心极限定理前提不存在，OLSE的大样本性质（如一致性、渐进正态性）不能成立。假设检验往往作出与事实不符的推断，得到误导性的结论。 （三）往往需要进行数据预处理 1.去除趋势（对确定性时间趋势序列）、差分（对非平稳或是高度持久序列）等预处理，使得数据具有平稳性和遍历性。 2. 对数化（增长率）。定义： 增长率＝（报告期数值－基期数值）/基期数值 往往用相邻两期数值对数差近似地反映增长率： 在经济生活中，不同变量的增长