第四章时间序列模型教材分析.ppt

引子:是真回归还是伪回归？ 经典回归分析的做法是: 首先，采用普通最小二乘法（OLS）对回归模型进行估计；然后，根据可决系数或 F 检验统计量值的大小来判定变量之间的相依程度，根据回归系数估计值的 t 统计量对系数的显著性进行判断；最后，在回归系数显著不为零的基础上对回归系数估计值给予经济解释。 例如：为了分析某国的个人可支配总收入(I)与个人消费总支出(E)的关系，用OLS法作E关于I 的线性回归，得如下结果： t = （-7.481） (119.87) 从回归结果来看， 非常高，个人可支配总收入I 的回归系数的 t 统计量也非常大，边际消费倾向符合经济假设。凭借经验判断，这个模型的设定是好的，应是非常满意的结果。准备将这个计量结果用于经济结构分析和经济预测。 可是有人提出，这个回归结果可能是虚假的！可能只不过是一种“伪回归”！ 要千万小心! 这里用时间序列数据进行的回归，究竟是真回归还是伪回归呢？为什么模型、样本、数据、检验结果都很理想，却可能得到“伪回归”的结果呢？ 经典时间序列分析和回归分析有许多假定前提，如：序列的平稳性、正态性等。直接将经济变量的时间序列数据用于建模分析，实际上隐含了上述假定，在这些假定成立的条件下，据此而进行的 t检验、F检验等才具有较高的可靠度。 越来越多的经验证据表明，经济分析中所涉及的大多数时间序列是非平稳的。 问题：如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果? 如何判断一个时间序列是否为平稳序列? 当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理？ 例如： 1）考察一段时间内每一天的电话呼叫次数，需要考察依赖于时间t的随机变量ξt，｛ξt ｝就是一随机过程。 2）某国某年的GNP总量，是一随机变量，但若考查它随时间变化的情形，则｛GNPt ｝就是一随机过程。 3）一个港口若干年每月装船的货物量X是一随机变量，若考查它随时间变化的情形，则｛Xt ｝就是一随机过程。 4）某种商品在1994年到1999年各个月的销售量X是一随机变量，考查它随时间变化的情形，则｛Xt ｝就是一随机过程。 (3)时间序列模型 随机时间序列模型（time series modeling）: 指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为: Yt=F(Yt-1, Yt-2, …, ?t) 建立具体的时间序列模型，需解决如下三个问题： a) 模型的具体形式 自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。 关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。 高阶自回模型AR(p)（讨论过程略）。 多数情况下没有必要直接计算其特征方程的特征根，但有一些有用的规则可用来检验高阶自回归模型的稳定性： 对于移动平均模型MR(q)： Yt=μt - ?1 μ t-1 - ?2μ t-2 - ? - ?q μt-q 其中μt 是一个白噪声。 由定义知任何一个q 阶移动平均过程都是由q + 1个白噪声变量 加权和组成，所以任何一个移动平均过程都是平稳的。 由于ARMA (p,q)模型是AR(p)模型与MA(q)模型的组合： Yt=? 1Yt-1+ ?2Yt-2 + …+ ?pYt-p +μt - ?1μ t-1 - ?2μt-2 - ? - ?q μt-q 除了对自回归模型AR（p）、移动平均模型MA（q）、自回归移动平均模型ARMA（p，q）的平稳性条件进行讨论外。模型识别的另一任务是找出AR（p）、 MA（q）、 ARMA（p，q）的具体特征，最主要的是确定模型的阶，即确定上述模型的p、q、 p和q。识别的方法（使用的工具）是： 自相关函数（autocorrelation functi