计量经济学10要点解析.pptVIP

时间序列数据的回归分析 第十章 时间序列数据的基本回归分析 回 顾： 文本 文本 文本 文本 文本 文本 文本 文本 1.横截面数据 2.简单线性回归和多元线性回归模型 3.多元回归模型的假定：MLR.1~5(线性于参数、随机抽样、不完全共线性、零条件均值、同方差性) 4.经典线性模型假定：多元回归模型假定+MLR.6(正态性) 5.参数检验：t检验、F检验 6.多种不同的函数形式(如含交互项、二次项)及其偏效应如何解释 7.虚拟变量的解释和运用 8.异方差的影响及检验(怀特) 目录 时间序列数据的性质 函数形式、虚拟变量和指数 时间序列回归模型的例子 经典假设下OLS的有限样本性质 趋势和季节性 10.1 时间序列的性质 时间序列数据区别于截面数据的特点： 1.时间序列数据集是按照时间顺序排列的，它承认过去可能会影响未来。 2.一个时间序列过程的所有可能的实现集，相当于横截面分析中的总体。 一个标有时间角标的随机变量序列被称为一个随机过程或时间序列过程，在我们搜集时间寻列数据集时，我们便得到该随机过程的一个可能的结果，我们只能看到一个结果，因为我们不能让时间倒流重新开始这个过程。 10.2 时间序列回归模型的例子 文本 文本 文本 文本 两个例子：静态模型、有限分布滞后模型 1. 静态模型： (也可包含多个解释变量) 静态模型即我们在模型化y与z的同期关系，若认为z在时间t的一个变化对y有直接影响，即 ，此时， 当我们想了解y与z之间的替代关系时，也是用静态回归模型。 两个例子：静态菲利普斯曲线（一元）、谋杀案发生率函数（多元） 2.有限分布滞后模型FDL：容许解释变量对Y的影响有一定时滞 两种情况：自变量暂时变化对y的影响、自变量永久性变化对y的影响。 自变量z在t时期提高一个单位所引起的y的及其变化量，通常被称作冲击倾向或冲击乘数；z的永久性变化导致y的长期变化被称为长期倾向(LRP) 或长期乘数。 一个q阶的有限分布滞后模型可写成： 静态模型作为一种特例也可以包含其中（只需使δ1~δq为0即可）。 分布滞后模型的主要目的是检验z对y是否有滞后影响。 冲击倾向总是同期z的系数δ0。 滞后分布是滞后期j和系数δj的函数分布。 长期倾向是所有变量Zt-j的系数和。 注意：上述滞后模型存在着多重共线性，因此无法得到单个δj的估计值，但我们可以很好的估计出LRP。 标注时间的惯例：初始值为1，滞后一期为0，滞后两期为-1，类推... 10.3 经典假设下OLS的有限样本性质 时间序列在标准假定下OLS的小样本性质： OLS的无偏性 假定TS.1：线性于参数 假定TS.2：无完全共线性（容许相关，但不容许完全相关） 假定TS.3：零条件均值（要求ut与任何时期的所有解释变量都无关，即解释变量严格外生） 需注意：这里并没有限制不同时期自变量与ut的相关性，只要求ut的期望与任何时期的解释变量都无关，若不能满足，则会导致假定TS.3不成立，原因可能是遗漏变量和某些自变量的测量误差等。 顾虑：ut与过去的z的不相关是可控的，但u对未来z的反馈是不可控的。 但为使OLS估计量无偏，因此还要做出假定TS.3。 定理10.1（OLS的无偏性）：在假定TS.2、2、3下，以X为条件，OLS估计粮食无偏的，且E(βj估计值)=βj。 注意：与之前相比，此处放弃了随机抽样的假定，给出对每个时期t， ut的期望都为0的假定。 OLS估计量的方差和高斯-马尔可夫定理 D.假定TS.4：同方差性 E.假定TS.5：无序列相关（以X为条件，任意两个不同时期的误差都不相关，即Corr(ut，us|X)=0）,任意t≠s。若不同时期的误差彼此相关，则该假定不成立，成之为序列相关或自相关。 注意：假定TS.5中并没有提高不同时期自变量之间的相关。 定理10.2（OLS的样本方差）：在时间序列高斯-马尔可夫假定TS.1~5下，以X为条件，βj的估计值的条件方差为σ2/[SSTj(1-R2j)]，j=1.2....k。 定理10.3（σ2的无偏估计） 在假定TS.1~5下， 估计量σ2=SSR/df是σ2的一个无偏估计量，其中df=n-k-1。 定理10.4（高斯-马尔可夫定理）在假定TS.1~5下，以X为条件，OLS估计量是最优先性无偏估计量。 OLS在假定MLR.1~5中所具备的所有理想的有限样本性质， 在TS.1~5中也同样具备。 经典线性模型假定下的推断 为了能