4一元时间序列方法探析.ppt

第四章 一元时间序列分析方法;学习目标：;第四章 一元时间序列分析方法; 如果回归方程的扰动项存在序列相关，那么应用最小二乘法得到的参数估计量的方差将被高估或者低估。因此，检验参数显著性水平的t统计量将不再可信。可以将序列相关可能引起的后果归纳为： ;;第一节 时间序列的相关概念;2、弱平稳性过程（Weakly Stationary Process）;;决定 是如何与它自身的先前值相关的，对于一个平稳的时间序列，它只依赖于yt 与yt-s之差。其中， 被称为自协方差函数。;时间序列的相关概念;三、白噪声过程; 相关图与Q -统计量 ; H0：序列不存在m 阶自相关； H1：序列存在m 阶自相关。 如果Q - 统计量在某一滞后阶数显著不为零，则说明序列存在某种程度上的序列相关。在实际的检验中，通常会计算出不同滞后阶数的Q - 统计量、自相关系数和偏自相关系数。如果，各阶Q - 统计量都没有超过由设定的显著性水平决定的临界值，则接受原假设，即不存在序列相关，并且此时，各阶的自相关和偏自相关系数都接近于0。;反之，如果，在某一滞后阶数m，Q - 统计量超过设定的显著性水平的临界值，则拒绝原假设，说明残差序列存在m 阶自相关。由于Q-统计量的P值要根据自由度m 来估算，因此，一个较大的样本容量是保证Q- 统计量有效的重要因素。 ;EViews操作;例：用普通最小二乘估计的简单消费函数的结果 ;; 虚线之间的区域是自相关中正负两倍于估计标准差所夹成的。如果自相关值在这个区域内，则在显著水平为5%的情形下与零没有显著区别。 本例1～3阶的自相关系数都超出了虚线，说明存在3阶序列相关。各阶滞后的Q-统计量的P值都小于5%，说明在5%的显著性水平下，拒绝原假设，残差序列存在序列相关。 ;若对每一个固定的t， 是一个随机变量，则y1，y2，┅ yt为随机时间序列。而揭示随机时间序列自身变化规律和相关关系的数学表达式就是时间序列分析模型。 随机时间序列分析模型分为三类：自回归模型（auto-regressive model, AR）、移动平均模型（moving-average model,MA）和自回归移动平均模型（auto-regressive moving average model,ARMA）。对于任一个时间序列，怎样判断它是遵循纯AR过程（若是的话，阶数p取什么值），纯MA过程，（若是的话，阶数q取什么值）或是ARMA模型，此时p和q各取多少。我们将遵循以下四个步骤对这三个模型做一详细介绍： ;随机序列模型;一、自回归模型（AR） p阶自回归过程，满足下列方程 (4.16) 其中， 为白噪声， ， ，p为自回归模型阶数，?1,…,?p是自回归模型参数，它表明每改变一个单位时间值时，对 yt 所产生的影响，它是根据样本观测值来估计的参数。; 设 j=0时，?0=1， 则得 类似MA(?)。 E(yt)=? AR(1)模型平稳条件为：|?1|1；?t是白噪声的。;AR(p)模型的平稳性条件;式（4.16）可以改写为滞后算子多项式的形式 可以证明如果AR(p)模型满足平稳性条件，则可以表示为如下MA(?)的形式 yt可以由一个白噪声序列的线性组合表示，即任何一个AR(p)模型均可以表示为白噪声序列的线性组合。;AR(1)的自相关系数 由0|?1|1，当k??时，?k?0，称?k为拖尾。 AR(2)的自相关系数满足?k=?1?k-1+?2?k-2，其中 AR(p)的自相关系数?k=?1?k-1+?2?k-2+…+?p?k-p ?k随着k增大而减少。;随机序列模型;（1）偏自相关函数（PACF）;（2）采用信息准则法判别模型阶数;随机序列模型;随机序列模型;随机序列模型;向前一步预测，由方程 则 预测误差的方差为;向前两步预测，由方程 则 预测误差的方差为;向前多步预测，由方程 则 对平稳AR(1)模型，当k??时，yh(k)收敛于E(yt)。 ;随机序列模型;例 利用 AR(1) 模型描述上证指数的变化规律 ;图 AR(1)回归结果;[案例说明4-1]上证指数收益率的AR建模;;二、移动平均模型（MA） ;1、MA模型阶的识别;2、MA模型估计;3、MA模型预测;向前两步