5.时间序列数据素材.ppt

AR(1) 过程 一阶自回归过程[AR(1)： yt = ryt-1 + et , t = 1, 2,… 其中et 为独立同分布序列，均值为0，方差为se2 若该过程为弱相关过程， 则有|r| 1 Corr(yt ,yt+h) = Cov(yt ,yt+h)/(sysy) = r1h ，当h增大时逐渐减小 * ARIMA模型 AR(p) p阶自回归模型 MA(q) q阶移动平均模型 ARMA(p,q) 同时有自回归和移动平均模型特征 ARIMA(p,d,q) 数据经过d次差分后成为ARMA模型 模型的选择 自相关函数 MA(q)的自相关函数值在q+1时为0。 检验应该是MA(q)而非MA(q-1)：下列统计量服从标准正态分布 这一性质不能用于识别AR过程 偏自相关函数 如果真实模型为AR(p)，则对于kp，有 AR(p) MA(q) ARMA(p,q) ACF 指数衰减或波动 显著下降直至滞后q 指数衰减 PACF 显著下降直至滞后q 指数衰减 指数衰减 Ljung-Box检验：残差自相关性 AIC（Akaike information criterion) BIC（Schwarz Bayesian information criterion） 估计 AR过程 MA(1)： 对趋势的再探讨 一个包含趋势的序列不可能是平稳的，因为其均值是随着时间变化 但包含趋势的序列可以是弱相关的 如果一个序列是弱相关的，且去除趋势后是平稳的，那么称其为趋势-平稳过程，如： * 一致性所需要的假设 线性和弱相关性 条件均值为0：E(ut|xt) = 0，对任意的t 不存在完全线性相关 因此，得到一致性所需要的外生性假设要弱于得到无偏性所需要的相应假设 * 大样本推断 较弱的同方差假设：Var (ut|xt) = s2, 对任意t 较弱的无序列相关假设：E(utus| xt, xs) = 0， t ? s 在以上假设的基础上，我们就可以得到渐近正态分布和通常的标准差，以及正确的t、F和LM统计量 * 随机游走 随机游走：yt=yt-1+et, t=1,2… 随机游走是一个AR(1)过程，其中r1=1, 因而序列不是弱相关的 随机游走的期望值恒等于y0，与t无关 Var(yt) = se2t, 随t的增大而增大 随机游走是高度持久性的，因为对于所有的h ≥ 1都有E(yt+h|yt) =yt 如果var(y0)=0，则 t很大时，两者的相关性接近于1 * 随机游走是单位根（unit root）过程 趋势和高度持久性是两个不同的概念：一个序列可以是由趋势且弱相关的，也可以是没有趋势但高度相关的 带漂移的随机游走过程就是包含趋势且高度持久的随机过程 均值和方差都随着时间而递增，因此是非平稳的 高度持久序列的变换 为了用高度持久的时间序列数据来进行有意义的估计和正确的检验，我们必须首先把它转换成一个弱相关的随机过程 一个弱相关的过程为零阶积整过程 integrated of order zero, [I(0)] 随机游走过程是一阶积整的“integrated of order one, [I(1)]”，经过一阶差分后可得到I(0) * 单位根检验 AR(1): yt=a+ryt-1+et 可以带漂移（a）、趋势项 H0: r = 1, (假设为单位根) 定义q = r – 1，得到 Dyt = a + qyt-1 + et 由于这是一个I(1)过程，因此通常的t检验不合适 Dickey-Fuller 检验用的是t-统计量，但不同的临界值 ADF（augmented Dickey-Fuller）检验：增加Dyt更多的滞后项以描述动态过程 仍需要计算q的t统计量，与DF检验相同的临界值 滞后项过多会降低自由度、降低检验功效 Unit Roots w/ Trends的检验 如果随机序列具有明显的趋势过程，则需要对单位根检验进行修改。 趋势平稳过程可能会错误地当作单位根过程 在模型中引入趋势项 仍然检验q的t-统计量，但临界值发生变化 谬误回归 yt 对xt 进行简单回归，其中yt 和xt 是独立的I(1)序列 通常的OLS t-统计量通常都是统计显著的 这种即便本身不存在相关性的情况下仍存在的统计关系被称为谬误回归 gen e=invnorm(uniform( )) gen u=3*invnorm(uniform( )) gen x=e if t==1 gen y=u if t==1 replace x=x[_n-1]+e replace x=e if t==1 replace x=x[_n-1]+e if t1 replace y=y[_n-1]+u if t1