8时间序列基本回归讲诉.pptVIP

第二篇 时间序列数据的回归分析 时间序列数据的基本回归分析 y = b0 + b1xt1 + b2xt2 + . . . bkxtk + u * 时间序列数据的基本回归分析 我们集中讨论时间序列应用的高斯-马尔可夫假定。 时间序列数据的性质 时间序列数据集是按照时间顺序排列的。 时间序列数据是以时间为指标的一个随机变量序列。 一个标有时间下标的随机变量序列被称为一个随机过程。我们搜集到的一个时间序列数据集，称该随机过程的一个可能结果或实现。一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。 * 时间序列回归模型的例子 a static model 一个静态模型 “静态模型”的名称，来源于y和z同期关系的事实。 有限分布滞后模型 容许一个或多个变量对y的影响有一定的时滞 这是一个二阶FDL。 被称为冲击倾向（或冲击乘数，即期乘数）。 被称为长期乘数。 * A dynamic model 一个动态模型 时间序列数据：在经典假定下OLS的有限样本性质 OLS的无偏性 假定 TS.1:：模型对于参数呈线性关系 假定 TS.2 ：没有完全共线性 假定 TS.3： 零条件期望 定理 10.1 (OLS的无偏性):在假定TS.1-3下，OLS估计量条件于X是无偏的，因此也是无条件无偏。 * The assumption TS2假定 TS2 我们需要更多的讨论关于TS2。它假定了E(ut|X)=0, t=1,…,n, 其中X表示所有时期的所有自变量。 这个假定可意味着ut 与每个时期的任何解释变量xkj都不相关。 当TS2成立时我们说解释变量是严格外生的。 当 我们称xtj是同期外生的。意味着ut和同时期的解释变量无关。 * Time Series Data: Finite Sample Properties of OLS Under Classical Assumptions时间序列数据：在经典假定下OLS的有限样本性质 OLS估计量的方差和高斯-马尔可夫定理 假定TS.4:误差具有同方差性 假定TS.5:误差项之间没有序列相关 当该假定不成立时，我们说误差有序列相关或自相关问题，因为不同时期的误差彼此相关。 * Time Series Data: Finite Sample Properties of OLS Under Classical Assumptions时间序列数据：在经典假定下OLS的有限样本性质 定理10.2(OLS抽样方差)：在时间序列的高斯—马尔可夫假定TS.1-5下， 的方差，条件于X，为 其中SSTj 是xij 的总平方和，而Rj2是xj对其它自变量回归得到的R方。 * Time Series Data: Finite Sample Properties of OLS Under Classical Assumptions时间序列数据：在经典假定下OLS的有限样本性质 σ2 的无偏估计 定理10.3：在假定TS.1-5下， σ2的无偏估计量为 * Time Series Data: Finite Sample Properties of OLS Under Classical Assumptions时间序列数据：在经典假定下OLS的有限样本性质 Gauss-Markov Theorem 高斯-马尔可夫 定理 定理10.4(高斯-马尔可夫定理)：在假定TS.1-5下，对X而言，OLS估计量是最优线性无偏估计量。 * Time Series Data: Finite Sample Properties of OLS Under Classical Assumptions时间序列数据：在经典假定下OLS的有限样本性质 正态抽样分布 TS.6: 误差项是i.i.d.正态分布 定理10.5:在假定TS.1-6下，OLS估计量是条件于X的正态分布。此时t统计量服从t分布，而F统计量服从F分布。据此建立的置信区间也是合适的。 * Time Series Data: Trends and Seasonality时间序列数据：趋势和季节性 很多经济时间序列都有随着时间而上升的共同趋势。忽略两个序列按相同或相反趋势延伸的事实会导致错误结论：即认为一个变量的变化由另一个变量的变化所致。 线性时间趋势模型： 指数趋势模型： 二次时间趋势模型： * 在回归模型中引进时间趋势，相当于在回归分析中，在使用原始数据前，将它们除趋势（detrending） * Time Series Data: Trends