第12章(平稳时间序列模型)导论.pptVIP

* 如果第0期给定扰动项u20=1，u10=0 ，运用同样的方法，可以求出y的脉冲引起的x和y的响应函数。 可见，所谓脉冲响应函数，描述的是随机误差项一个标准差大小的冲击，对内生变量的当期值和未来值所产生的影响。 * 五、VAR模型的方差分解 方差分解(Variance decomposition)描述的是来自VAR模型中每个变量的冲击强度（方差）占某个变量总的变化（也用方差来度量）的比，故称为方差分解。 由于VAR模型的方差分解的数学描述比较复杂，我们只简单地介绍其基本思想。我们已经知道，AR模型可以转换为MA模型，而MA模型实际上是白噪音的组合，沿着这个思路，VAR 模型也可以转换为VMA模型，其中的每一个方程都是所有随机新息的组合。 因此，VAR 模型中每一个变量的方差就是这些新息的方差的“有限期”的和，将每一个变量的方差作为分母，将这个变量的新息的方差（即这个变量的新息的方差的“有限期”的和）作为分子，由此构成方差分解，称为方差相对贡献度。 * 六、基于VAR模型的格兰杰因果关系检验 xt对yt是否存在因果关系，可以通过检验VAR模型中以yt为被解释变量的方程是否可以把xt的全部滞后变量剔除掉来实现。比如VAR 模型中以yt为被解释变量的方程表示如下： 检验xt对yt 存在格兰杰非因果性的原假设和被择假设分别是： * 上述检验可用F统计量完成： 其中SSEr 表示施加约束（零假设成立）后模型，也就是任何x都不出现在模型中的残差平方和； SSEu 表示不施加约束条件下模型的残差平方和； k表示最大滞后期，2k表示无约束模型中被被估参数的个数； T表示样本容量； 用样本计算的F值如果落在临界值以内，接受原假设，即xt对yt不存在格兰杰因果关系。 * 作格兰杰因果关系应该注意的问题 （1）“格兰杰因果关系”的正式名称应该是“格兰杰非因果关系”，实际运用中称“格兰杰因果关系”只是为了表述的简便。 （2）格兰杰因果关系不同于哲学意义上的因果关系，说xt是yt的格兰杰因果关系，本质上只表明了xt中包括了预测yt的有效信息，所以本质上一种预测关系。 （3）检验格兰杰因果关系的变量要求是平稳的，或者是联合平稳的（具有协整关系），否则对其进行检验格兰杰因果关系没有意义。 * 本章重点 1.分布滞后模型的含义及类型 2.短期、中期及长期乘数 3.滞后效应产生的原因 4.分布滞后模型的估计方法 5.自回归分布滞后模型的工具变量估计法的思想 6.自回归分布滞后模型的自相关检验 7.ARMA模型的含义、平稳条件及可逆性 8.ARMA模型的识别 9.向量自回归模型（VAR）的含义 10.VAR模型滞后期的选择 11.VAR模型的脉冲响应函数和方差分解 12.Granger因果关系检验 * 3.平稳随机过程 如果一个随机过程的均值和方差在时间过程上都是常数，并且在任何两期之间的协方差只和两期间隔的时间长度相关，而和计算该协方差的实际时间不相关，则称该随机过程为平稳随机过程，也称之为协方差平稳过程或者弱平稳过程。 用公式表述就是，对于一个随机过程xt ，如果其均值 ，方差 ，协方差 的大小只与k的取值相关，而与t不相关，则称xt为平稳随机过程。白噪声过程显然是一个平稳过程。 * 数据的平稳性对时间序列分析非常重要，经典的时间序列回归分析，都是假定数据是平稳的。直观的看，平稳的数据可以看作是一条围绕其均值上下波动的曲线。 下面，我们用由Eviews软件模拟一个均值为5、标准差为0.2、样本量为500的平稳数据。 图12.1 平稳数据示例 * 4.自相关函数 对于平稳的随机过程，其期望和方差均为常数，而滞后k期的自协方差就是相隔k期的两个随机变量xt与xt+k的协方差，定义为： 自协方差 随着k的依次取值构成了序列 ，称为随机过程 xt 的自协方差函数。当k=0时，自协方差退化为方差，即 xt与xt+k 之间的自相关系数定义如下： (12.3.1) * 因为，对一个平稳随机过程有： 所以(12.3.1)式可以改写为： 对应的样本自相关系数为： (12.3.2) 由(12.3.2)定义的 构成的序列 ( k=…,-2,-1,0,1,2…)，称为自相关函数，用于考察随机变量的样本与其滞后期的相关强度。 * 5.偏自相关函数 回顾第四章中介绍的多元回归模型的偏回归系数，所反映的是在其他解释变量保持不变的情况下，某个解释变量对被解释变量条件期望值的边