第四章时间序列模型研究.ppt

引子:是真回归还是伪回归？ 经典回归分析的做法是: 首先，采用普通最小二乘法（OLS）对回归模型进行估计；然后，根据可决系数或 F 检验统计量值的大小来判定变量之间的相依程度，根据回归系数估计值的 t 统计量对系数的显著性进行判断；最后，在回归系数显著不为零的基础上对回归系数估计值给予经济解释。 例如：为了分析某国的个人可支配总收入 I 与个人消费总支出 E 的关系，用OLS法作E关于I 的线性回归，得如下结果： t （-7.481） 119.87 从回归结果来看， 非常高，个人可支配总收入I 的回归系数的 t 统计量也非常大，边际消费倾向符合经济假设。凭借经验判断，这个模型的设定是好的，应是非常满意的结果。准备将这个计量结果用于经济结构分析和经济预测。 可是有人提出，这个回归结果可能是虚假的！可能只不过是一种“伪回归”！ 要千万小心! 这里用时间序列数据进行的回归，究竟是真回归还是伪回归呢？为什么模型、样本、数据、检验结果都很理想，却可能得到“伪回归”的结果呢？ 经典时间序列分析和回归分析有许多假定前提，如：序列的平稳性、正态性等。直接将经济变量的时间序列数据用于建模分析，实际上隐含了上述假定，在这些假定成立的条件下，据此而进行的 t检验、F检验等才具有较高的可靠度。 越来越多的经验证据表明，经济分析中所涉及的大多数时间序列是非平稳的。 问题：如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果 如何判断一个时间序列是否为平稳序列 当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理？ 例如： 1）考察一段时间内每一天的电话呼叫次数，需要考察依赖于时间t的随机变量ξt，｛ξt ｝就是一随机过程。 2）某国某年的GNP总量，是一随机变量，但若考查它随时间变化的情形，则｛GNPt ｝就是一随机过程。 3）一个港口若干年每月装船的货物量X是一随机变量，若考查它随时间变化的情形，则｛Xt ｝就是一随机过程。 4）某种商品在1994年到1999年各个月的销售量X是一随机变量，考查它随时间变化的情形，则｛Xt ｝就是一随机过程。 3 时间序列模型 随机时间序列模型（time series modeling）: 指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为: Yt F Yt-1, Yt-2, …, ?t 建立具体的时间序列模型，需解决如下三个问题： a 模型的具体形式 自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。 关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。 高阶自回模型AR p （讨论过程略）。 多数情况下没有必要直接计算其特征方程的特征根，但有一些有用的规则可用来检验高阶自回归模型的稳定性： 对于移动平均模型MR q ： Yt μt - ?1 μ t-1 - ?2μ t-2 - ? - ?q μt-q 其中μt 是一个白噪声。 由定义知任何一个q 阶移动平均过程都是由q + 1个白噪声变量 加权和组成，所以任何一个移动平均过程都是平稳的。 由于ARMA p,q 模型是AR p 模型与MA q 模型的组合： Yt ? 1Yt-1+ ?2Yt-2 + …+ ?pYt-p +μt - ?1μ t-1 - ?2μt-2 - ? - ?q μt-q 除了对自回归模型AR（p）、移动平均模型MA（q）、自回归移动平均模型ARMA（p，q）的平稳性条件进行讨论外。模型识别的另一任务是找出AR（p）、 MA（q）、 ARMA（p，q）的具体特征，最主要的是确定模型的阶，即确定上述模型的p、q、 p和q。识别的方法（使用的工具）是： 自相关函数（autocorrelation function——ACF） 偏自相关函数（partial autocorrelation function——PACF ） ?偏自相关函数的定义 ? AR P 偏自相关函数（复习前述的概念） ? AR P 偏自相关函数（复习前述的概念） ARMA p,q 的自相关函数，可以看作MA q 的自相关函数和AR p 的自相关函数的混合物。 当p、q都不为0时，它具有拖尾性质。 也就是说，我们是否可以对（**）式 做回归，如果确实发现r 1，就说序列Yt有一个单位根 序列不平稳）。 在使用 DF检验法对时间序列进行平稳性检验时，实际上假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR 1 生成的（随机扰动项不存在自相关），但以上条件常不能满足。 例如：时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则容易导致自相关随机误差项问题。 在实际检验中，时间序列可能由更高