03单位根检验.pptxVIP

第三讲 单位根检验 一、非平稳随机过程 二、单位根检验 三、Eviews操作 四、结构突变与单位根检验 五、面板单位根检验 2 一、非平稳随机过程 1.1 非平稳随机过程 平稳随机过程（协方差平稳或宽平稳） 均值有限且与时间t无关 方差有限且与时间t无关 协方差有限且与时间t无关 由平稳随机过程产生的时间序列具有的特征： 围绕某一均值上下波动 没有明显的趋势 然而实际的时间序列大都具有向上的趋势，没有显示出围绕均值上下波动的特性，显然不具有平稳性 3 两种典型的非平稳随机过程：趋势平稳过程和单位根过程 趋势平稳过程(trend stationary process) 一、非平稳性随机过程 均值与时间t有关 4 一、非平稳性随机过程 5 单位根过程(unit root process) 一、非平稳性随机过程 显然，随机游走(random walk)是单位根过程 方差与时间t有关 6 一、非平稳性随机过程 单位根过程有时被称为长记忆过程，任何时期的一次随机冲击都会随时间累积，永远不消失！ 单位根过程又被称为差分平稳过程 7 一、非平稳随机过程 1.2 伪回归（Spurious Regression） 伪回归或虚假回归：两个没有任何因果关系的变量却有很高的相关性 直接利用非平稳的时间序列建立回归模型会导致伪回归或虚假回归的现象 验证：蒙特卡洛实验（Monte Carlo Experiment） 利用计算机，模拟真实数据生成过程，获得样本数据 根据样本数据，建立计量模型，估计未知参数 重复上述过程，研究参数估计量的统计性质 β1显著不为零 一、非平稳随机过程 例1：样本均值的抽样分布（中心极限定理） 步骤1：从χ2(2)分布中抽取容量为100的样本 步骤2：计算所得样本的均值 重复步骤1-2，得到N个样本均值 中心极限定理说明样本均值的抽样分布是正态分布，画这N个样本均值的直方图，可以验证其抽样分布是否正态分布 8 一、非平稳随机过程 例2：回归系数的抽样分布 步骤1：生成解释变量x序列（与随机误差项无关） 步骤2：生成随机误差项ε序列（符合OLS经典假定） 步骤3：按照yt = 1.5 + 2.4xt + εt生成被解释变量y序列 步骤4：y对x回归得到截距和斜率的估计值 重复步骤2-4，得到N个截距和斜率的估计值 回归系数β的抽样分布就可以通过这N个估计值得到，如求均值可判定无偏性，画直方图可判定正态性 9 一、非平稳随机过程 例3：伪回归1（趋势平稳过程） 步骤1：生成趋势平稳过程xt = 0.5+0.8t+et 步骤2：生成趋势平稳过程yt = 0.6+0.7t+ut (ut与et无关) 步骤3：y对x回归（不含时间趋势项）得到截距和斜率的估计值 重复步骤1-3，得到N个截距和斜率的估计值 分别画出截距和斜率的直方图，分析截距和斜率系数的统计特性 10 一、非平稳随机过程 例3：伪回归2（单位根过程） 步骤1：生成单位根过程xt = xt-1 + et 步骤2：生成单位根过程yt = yt-1 + ut (ut与et无关) 步骤3：y对x回归（含截距项）得到截距和斜率的估计值 重复步骤1-3，得到N个截距和斜率的估计值 分别画出截距和斜率的直方图，分析截距和斜率系数的统计特性 11 12 1.3 去势（Removing the Trend） 避免虚假回归要求使用平稳时间序列，建立ARMA模型也要求使用平稳时间序列 非平稳时间序列变换为平稳时间序列需要区分真实数据生成过程 趋势平稳过程：利用回归退势 单位根过程：利用差分退势（去除随机趋势） 一、非平稳性随机过程 13 一、非平稳性随机过程 如果序列yt的一阶差分序列是平稳过程，则称yt为一阶单整过程(integrated of order one)，记为I(1) 特别的，如果一个非平稳序列的d次一阶差分是平稳的，则称该序列为d阶单整过程，记为I(d) 对非平稳序列的差分序列建立的ARMA模型，称之为ARIMA模型，其一般形式为 区别趋势平稳过程和单位根过程的方法：单位根检验（unit root test） 14 二、单位根检验(unit root test) 2.1 DF检验 检验思想：我们知道，随机游走过程 yt=yt-1+?t 是单位根过程，而该过程又可以看成随机模型 yt=?yt-1 + ?t 中参数? =1时的情形，也就是说，我们对上式做回归，如果发现回归参数? =1，就可以说序列yt是单位根过程，或者说，变量yt含有一个单位根 因为 所以，检验? =1等价于检验上式中? =0 15 二、单位根检验 常用DF检验的回归式 原假设和备则假设分别为H0: ? = 0 H1: ? 0 检验统计