计量经济学课件2012.pptVIP

6. 时间序列计量经济学 6.1 时间序列数据 6.2 重要的时间序列 6.3 时间序列回归模型的类型 6.4 事件研究法 主要参考书：J. M.伍德里奇：《计量经济学导论—现代观点》，中国人民大学出版社（以下引用简称JM） 6.1 时间序列数据 时间序列：是各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据。 描述时间序列Xt统计特征的指标 （1）期望值：一个时间序列的第t期观测值的期望记为 E [Xt] = μt （2）方差：var [Xt] = E [(Xt- μt)2] （3）协方差：任何两个时期之间的协方差为 cov [Xt ，Xt+k] = E [(Xt- μt) (Xt+k- μt+k)] 时间序列分析模型 时间序列分析模型，是揭示时间序列自身变化规律和相互联系的数学表达式。 时间序列分析模型分为： （1）确定性时间序列分析模型 确定性时间序列模型，主要是通过一些简单的外推技术，如移动平均、指数平滑等进行预测，不反映时间序列的随机性质。 （2）随机时间序列分析模型 1.随机时间序列分析模型 随机时间序列分析模型，将任何时间序列数据都看作一个随时间变化的随机变量在不同时点取值的结果。 如对一个具体的时间序列X1，X2，···,XT,可将其视为某个随机变量Xt在t = 1, 2，···,T的一个可能结果或实现（realization） 标注有时间的一个随机变量序列称作： 随机过程(stochastic process)，或者时间序列过程。 随机过程和它的一个实现之间的关系可类比于横截面数据中的总体和样本之间的关系。 在时间序列中，我们利用随机过程的一个实现去推断背后的随机过程的统计特征，并用于未来的预测。 2.随机时间序列的平稳性 平稳性(stationary)是时间序列分析的基础。判断一个序列平稳与否非常重要，因为一个序列是否平稳会对它的行为及其性质产生重要的影响。 平稳性的二种表述： （1）所谓平稳时间序列，是指时间序列Xt的均值和方差在时间过程上是常数，并且在任何两个时期的协方差值仅依赖于该两时期之间的距离。 （2）平稳随机过程(stationary stochastic process)： 对每一组时间指数1≦t1t2…tm，和所有的整数h≧1，如果{xt1, xt2, …, xtm}与{xt1+h, xt2+h, …, xtm+h}的联合分布相同，那么随机过程{xt: t=1, 2, …}就是平稳的。 平稳性要求所有时期的相邻项之间的相关关系具有相同的性质。 3.平稳时间序列的统计特征 若一时间序列变量Xt平稳，其一个样本为X1，X2，···, XT, T为序列样本容量，则其主要统计特性的计算方法分别为： 平稳时间序列的重要性 平稳时间序列的重要特征是数据的时间轨迹围绕着固定均值上下波动，且即使短期内有幅度较大的波动，也应迅速衰减，使得这种波动不具有持久性。 之所以要考虑时间序列数据的平稳性，主要有两个原因 （1）预测的考虑 （2）“虚假回归”问题 对于非平稳时间序列，用简单的模型来反映其特征随时间变化十分困难，但可以通过数学方法（一般是通过差分变换）将其转化为平稳时间序列加以研究。 （1）预测的考虑 如果要根据某序列所估计的模型来预测该序列未来的变化，必须假定该序列所反映的随机变量的特征在不同时期内，特别是在将来的时期内保持不变。只有序列平稳，才可把根据过去数据推测出来的关于序列的统计特征应用于对序列未来时期的变化的预测。 （2）“虚假回归”问题 在考察多个时间序列之间的关系时，即使两个序列互相独立，在经济意义上无任何相关关系，但若两个序列非平稳，则用传统的回归方法及显著性检验时，仍可能显示出两者在统计上有较高的相关关系，即所谓的“虚假回归”现象。 6.2 重要的时间序列 1. 白噪声过程(white noise) 2. 一阶自回归过程 3. 趋势平稳过程 4. 随机游走过程 5. 单位根过程 1. 白噪声过程 如果时间序列{yt} 是一个有有限均值和有限方差的、独立同分布的随机变量序列，则称时间序列yt 为白噪声。特别的，若时间序列还服从均值为0，方差为σ2的正态分布，则这个序列称为高斯白噪声。 白噪声是一种十分重要的时间序列，它是其它各类型时间序列的重要组成部分，在金融市场效率理论中具有重要的意义。 对于白噪声序列，自相关系数为零。在实际应用中，如果所有样本的自相关函数接近为零，则认为这个序列为白噪声序列。 白噪声过程的统计特征 若一个随机过程满足：（1）E( yt ) = μ,（2）var (yt) =σ2,（3）cov(yt, yt+k) = 0 ，则称之为白噪声过程。