时间序列-2008.pptVIP

平稳性的检验 给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。 一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程； 而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。 自相关函数（autocorrelation function, ACF）如下： ?k=?k/?0 当 k = 0 时， ? 0 = 1 一个时间序列的样本自相关函数定义为： 随着k的增加，平稳序列的样本自相关函数快速下降且趋于零。 。 注意: 确定样本自相关函数rk某一数值是否足够接近于0是非常有用的，因为它可检验对应的自相关函数?k的真值是否为0的假设。 Bartlett曾证明:如果时间序列由白噪声过程生成，则对所有的k0，样本自相关系数近似地服从以0为均值，1/n 为方差的正态分布，其中n为样本数。 也可检验对所有k0，自相关系数都为0的联合假设，这可通过如下QLB统计量进行： 该统计量近似地服从自由度为m的?2分布（m为滞后长度）。 平稳性的单位根检验 检查序列平稳性的标准方法 5种单位根检验方法： DF检验、ADF检验、PP检验、KPSS 检验和ERS检验 其中a是常数，? t 是线性趋势函数，ut ～ i.i.d. N (0, ? 2) 。 (5.3.4) (5.3.5) (5.3.6) 1. DF检验 为说明DF检验的使用，考虑3种形式的回归模型 1) 如果 -1 ? 1，则yt平稳（或趋势平稳）。 2) 如果 ? =1， yt 序列是非平稳序列（差分序列是平稳的） 3) 如果? 的绝对值大于1，序列发散 因此，判断一个序列是否平稳，可以通过检验 ? 是否严格小于1来实现。也就是说： 原假设H0：? =1，备选假设H1：? 1 从方程两边同时减去yt-1得， 其中：? =? -1，所以原假设和备选假设可以改写为 可以通过最小二乘法得到? 的估计值，并对其进行显著性检验的方法，构造检验显著性水平的t统计量。 但是，Dickey-Fuller研究了这个t 统计量在原假设下已经不再服从 t 分布，它依赖于回归的形式(是否引进了常数项和趋势项) 和样本长度T 。 Mackinnon进行了大规模的模拟，给出了不同回归模型、不同样本数以及不同显著性水平下的临界值。这样，就可以根据需要，选择适当的显著性水平，通过 t 统计量来决定是否接受或拒绝原假设。这一检验被称为Dickey-Fuller检验(DF检验)。 2. ADF检验（增广的DF检验方法） augmented Dickey-Fuller test 检验含有高阶序列相关的序列的单位根。 ADF检验方法通过在回归方程右边加入因变量yt 的滞后差分项来控制高阶序列相关 例 检验居民消费价格指数序列的平稳性 1990年1月～2004年12月居民消费价格指数 * 时间序列模型 动态因果效应的测定 经济预测 时间序列模型 1、时间序列模型的基本概念 2、平稳时间序列 非平稳时间序列 时间序列模型（非）平稳性的检验 时间序列模型的识别 时间序列模型的估计与预测 1.时间序列模型的基本概念 时间序列模型（time series modeling）： 用变量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, …,Xt-1, Xt-2, …, ut) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构 例如， 1阶自回归过程AR(1)： Yt=?Yt-1+ut ut为白噪声。 时间序列模型的分类 （1）自回归过程（ autoregres