第五讲时间序列分析学习课件.pptVIP

DW检验适于一阶序列相关性检验，其取值范围（0，4）， DW越接近2，序列相关程度越小；越接近0（或4），序列正（或负）相关程度越大，见下图。其中DL 、DU根据样本数n、变量个数k查表得出。 1、 “case5_1.xls” 是1964年～1995年的经济数据，其中r是半年期票据贴现利率，gnp_p和inv_p分别是按不变价格调整的GNP和投资总额数据，要求： （1）试用OLS方法建立inv_p与gnp_p、上期贴现利率的线性回归方程。 （2）检验残差序列的相关性。 （3）对利率r建立ARIMA模型 （4）采用Engle－Granger协整检验方法判断inv_p与gnp_p是否存在协整关系，若存在写出协整方程。 (5)在协整分析的基础上 建立误差修正模型（ECM)。 （1)基本理论 设某个内生变量yt受同期外生变量xt和前期变量影响，则可建立模型： （1） （1）式经过一系列变换整理可得：阿尔法表示误差修正力度 （2) 该模型被称为误差修正模型（ECM)，当yt与xt的长期协整关系是： （3） 模型（2)可写成： （4） 其中：?称为调整系数，其值通常小于零，表明系统对短期偏离的调整程度。 总之，变量Y的波动是由长期趋势和短期波动所决定的，协整方程（3）表明的是长期趋势，对系统变动起到引力线的作用；而模型（4）表明的是短期波动，表明系统偏离均衡状态的修正程度。 （2）ECM模型的估计方法——Engle和Granger的两步法 第一步，用OLS估计协整方程并得到残差序列： 第二步，再用OLS方法估计误差修正模型参数。 例7，在例6中根据“5_9_12.wf1”数据，建立了消费和收入的协整方程，为了深入考察我国消费和收入之间的动态关系，现通过ECM模型作进一步的分析。 通过例6估计得到消费和收入的协整方程的残差序列?t ，令误差修正项 ecmt = ?t ，建立下面的误差修正模型： 也可以写为 （3）在Eviews中的实现： 得到结果如下： R2 = 0.403 D.W. = 1.57 在上面的误差修正模型中，差分项反映了短期波动的影响。消费的短期变动可以分为两部分：一部分是短期收入波动的影响；一部分是偏离长期均衡的影响。误差修正项ecmt 的系数的大小反映了对偏离长期均衡的调整力度。从系数估计值(?0.222)来看，当短期波动偏离长期均衡时，将以?0.222的调整力度将非均衡状态拉回到均衡状态。 前述的AR(p)、MA(q) 和ARMA(p,q) 三个模型只适用于刻画一个平稳序列的自相关性。一个平稳序列的数字特征，如均值、方差和协方差等是不随时间的变化而变化的，时间序列在各个时间点上的随机性服从一定的概率分布。也就是说，对于一个平稳的时间序列可以通过过去时间点上的信息，建立模型拟合过去信息，进而预测未来的信息。 但是很多经济序列是不平稳的时间序列，如文件“5-9-12.wf我国1978年～2002年的GDP序列就是非平稳时间序列。 三、非平稳时间序列建模 中国1978年～2002年的GDP序列 从上图可以看出，中国的GDP 在1978～2002年之间具有很强的上升趋势，是非平稳时间序列。 (1)描述非平稳经济时间序列的两种方法 一种方法是包含一个确定性时间趋势 其中 ut 是平稳序列；a + ? t 是线性趋势函数。这种过程也称为趋势平稳，因为如果从上式中减去 a +? t，结果是一个平稳过程。注意到像上图一类的经济时间序列常呈指数趋势增长，但是指数趋势取对数就可以转换为线性趋势。 1.概述 另一种方法是设定为单位根过程，非平稳序列中有一类序列可以通过差分运算，得到具有平稳性的序列，考虑下式： 也可写成 ： 其中：a是常数，ut是平稳序列，若ut ～ i.i.d. N (0, ? 2) ，且ut 是一个白噪声序列。若令a = 0， y0=0，则由上面第一个式子生成的序列 yt，有var(yt)