ARIMA模型与股价指数走势分析分解.ppt

* 二、自相关 （7）广义差分法回归模型的建立 ①建模步骤 ②建模结果的查看 A.模型 B.检验结果 C.残差值 D.残差图 E.残差检验 * 二、自相关 ③模型参数的比较（OLS与广义差分法） A.回归常数的比较（OLS与广义差分法） B.回归系数标准误差的比较（OLS与广义差分法） C.对T检验统计量的影响（OLS低估回归系数标准误差的影响） （8）怀特一致性校正 A.怀特一致性校正的操作步骤 （见下图） B.怀特一致性校正的结果分析 * 二、自相关 * 二、自相关 (9)广义差分的实际意义问题 A.差分之前回归系数的实际意义（回归系数为总量之比） B.差分之后回归系数的实际意义（回归系数为增量之比） * 一、异方差 ④判别规则 若 P-value(sig.) 0.05, 接受H0（ut 具有同方差）; 若 P-value(sig.) 0.05 , 拒绝H0（ut 具有异方差）。 * 一、异方差 ⑤ White检验的EViwes操作 在回归式窗口中点击View键，选Residual Tests/White Heteroskedasticity功能。 检验式存在有无交叉项两种选择（一元回归选择无交叉项；二元以上回归选择有交叉项）。 * 一、异方差 * 一、异方差 * 一、异方差 上表中，因为P-value(SIG.) = 0.018137 0.05，所以接受零假设，即认为存在异方差。 4、异方差的消除 对于异方差，通常采用加权最小二乘法加以消除，即赋予残差的每个观测值不同的权数（可以是自变量的倒数，残差平方的倒数，或其他与异方差变动趋势相反的变量序列），从而使模型的随机误差项具有同 * 一、异方差 方差性。 EViews命令操作程序： （1）GENR W1 = 1/ X（或其他变量）（产生权数） （2）LS(W=W1) Y C X （加权最小二乘法） * 一、异方差 或者采用菜单操作： （1）quick – generate series （写入w1=1/x） * 一、异方差 （2）quick – estimate equation（写入y c x） * 一、异方差 （3）option – weighted ls/tls （写入w1） * 一、异方差 （4）加权回归之后，再对残差做white检验，确定是否已经消除异方差。如果已经消除异方差，则继续其他有关分析；如果未能消除异方差，则选择其他变量做权数继续消除异方差。 * 二、自相关 （一）非自相关（独立性）假定 Cov(ui, uj ) = E(ui uj) = 0, (i, j ? T, i ? j), 即误差项ut的取值在时间上是相互无关的。称误差项ut非自相关。 残差之间非自相关（独立性）是回归分析的基本假定之一。 * 非自相关散点图 * 二、自相关 （二）自相关 如果 Cov (ui , uj ) ? 0, (i ? j) 则称误差项ut存在自相关。 自相关又称序列相关。原指一随机变量在时间上与其滞后项之间的相关。这里主要是指回归模型中随机误差项ut与其滞后项的相关关系。自相关也是相关关系的一种。 * 正自相关散点图 * 负自相关散点图 * 二、自相关 （三）自相关成因 1、 惯性 大多数经济时间序列都存在自相关。其本期值Yt往往受滞后值（前期值）Yt-1的影响。如国民生产总值，固定资产投资，居民消费，物价指数等随时间缓慢地变化，从而建立模型时导致误差项自相关。 * 二、自相关 2、 回归模型中略去了带有自相关的重要解释变量 若略去了应该列入模型的带有自相关的重要解释变量，那么它的影响必然归并到误差项ut中，从而使误差项呈现自相关。当然略去多个带有自相关的解释变量，也许因互相抵消并不使误差项呈现自相关。 * 二、自相关 （四）自相关影响 1、 丧失有效性 以一元线性回归模型，yt = ?0 + ?1 xt + ut，为例，当ut自相关时， 的方差比ut非自相关时大，从而失去有效性。 此时如仍采用OLS法估计回归参数 * 二、自相关 的方差 ，会低估其方差 。 低估回归参数估计量的方差，等于夸大了回归参数的抽样精度（t = ），过高的估计统计量 t 的值，从而把不重要的解释变量保留在模型里，使显著性检验失去意义。 * 二、自相关 2、有可能低估误差项ut的方差。 3、Var( ) 和su2都变大，都不具有最小方差性。所以