14-2258-非参数时间序列分析前沿_一个文献综述.docVIP

非参数时间序列分析前沿: ——文献综述 【摘要重点集中在非参数 关键词非线性模型；非参数 中图分类号 F842；F822；F224 文献标识码 A 0 引言 目前已知的模型满足一定条件下能达到较好的估计效果和预测结果，但现实情况复杂多变的使得模型的局限越来越多。近年来随着计算机的迅速发展，非模型作为一种较新的方法，以其较少的限制、更高的估计精度，逐渐在时间序列分析中到了越来越广泛的关注。 在过去的十年间，有关非线性时间序列的理论分析和实证研究引起了经济学家的极大兴趣。非线性时间序列分析主要研究的问题是非线性参数模型和非参数时间序列模型，基于以上两方面内容产生了大量的模型与方法。 非线性时间序列分析早期发展成果主要集中在非线性参数模型研究，如ARCH模型门限自回归（TAR）模型（TR）指数自回归（EXPAR）模型以及双线性模型。上述模型在金融时间序列等都有较多的应用。然而非线性参数模型其相应的估计方法在很多情形仍受限制，这就促使各种非参数技术在非线性时间序列的运用中崭露头角。有关非参数模型的一些经典著述可以参见Tj?stheim (1994)H?rdle et al. (1997)[2]，Fan和Yao (2003)，Granger, Ter?svirta和Tj?stheim(2006)等非参数方法最主要的优势在于“让数据自己说话”，同时也避免了选择合适参数模型所带来的困扰， 目前，国内尚没有一个述性文献是介绍非参数时间序列的本及重点非参数非参数时间序列模型与估计考虑一个时间序列 ,一般的非回归模型表示如 (1) 其中，为相互独立同分布随机变量列，满足均值为0，方差为1独立。对于，Auestad和Tj?stheim (1990)、H?rdle和Vieu (1992)提出了Nadaraya–Watson估计（N-W核估计），该估计形式如下： (2) 其中是一个核函数，满足。核函数的形式包括均匀核、正态核、立方核以及Epanechnikov核，核函数的选取对最终估计结果影响并不是决定性的，实际应用中一般采用Epanechnikov核。为窗宽，是使该估计均方误差最小的值，窗宽的选择是用来权衡偏差与方差的。 形如（1）式的估计方法还有k近邻权估计、局部加权描点光滑技术、局部多项式估计、样条估计、傅里叶级数光滑估计和小波估计。具体方法和步骤参见李竹渝等(2007)[7]。 1.2 非自回归模型 考虑一个时间序列 ,一般的非自回归模型表示如 (3) 其中表示预测变量，和为条件均值和方差。为均值为0，方差为1的独立同分布，与独立。和úyFan和Gijbel(1996) [8]给出了上述模型的局部多项式拟合以及估计的性质。 滞后阶数的选择Tjostheim和Auestad(1994) [9]曾建议使用最小预报误差(FPE)准则来确定模型的阶；Cheng和Tong(1992) [10]提出了一种相合的定阶方法，即Cross-validation方法；Fan和Gijbel(1996) [11]则推荐，其中是回归函数Taylor展开所选择的阶数。对于模型（1）、（3），当时，估计这样一个“饱满”的非参数形式是非常困难的，极易产生所谓的“维数灾难”。 1.3 非参数VAR模型 (4) 其中 对其施加约束后，通过引入一个工具变量，使其与解释变量向量相关，但与随机误差项不相关，进而可以达到对模型进行估计的目的。具体估计方法参见金成晓、曹阳(2014) [13]。这一方法的优点在于通过引入工具变量使得模型可以进行估计，估计和预测的效果较参数模型要好，并且没有产生“维数诅咒”，缺点是暂时没有给出非参数SVAR模型的脉冲响应函数，使其无法做相应的脉冲响应分析。但是由于在每个窗宽内的近似表达式可以得到，因此根据脉冲响应函数的定义是可以给出每个窗宽内的的脉冲响应的。 1.4 非参数面板时间序列模型 研究线性面板时间序列模型的文献非常多，但是有关非线性、非参数面板时间序列模型的文献却寥寥， Hjellvik, Chen and Tj?stheim(2004) [14]给出了非参数面板时间序列模型及其估计方法，对于一个非参数面板模型，其中，为面板交互相关系数，可以看成一个外生同步影响，与独立。 对于，局部多项式估计为 这里，为非负核函数，为窗宽，控制局部领域的大小