平稳性与非平稳时间序列剖析.pptVIP

平稳性和非平稳时间序列分析 一、非平稳时间序列和伪回归 许多常用的经济时间序列，如GDP、物价指数、股票价格等往往不符合平稳性定义，都有非平稳的特性。 非平稳序列没有不变的中心趋势，不能用时间序列的样本均值和方差推断各时点随机变量的分布特征，经典回归分析的基础和有效性就都遇到了问题。 （一）以两个随机游走序列之间的回归为例说明这种影响 设{ }和{ }是两个相互之间不相关的随机游走序列，即它们分别满足 和 。为了简单起见，进一步假设 和 。这样两个随机游走序列分别为 和 。 用下面无常数项的两变量线性回归模型进行分析： 其中的误差项满足 （二） “伪回归”（Spurious regression） 非平稳时间序列更严重的影响是，虽然它们会破坏经典回归分析的基础和有效性，但根据分析结果并不一定能发现问题。有时即使时间序列严重非平稳，分析结果应该是无效的，但t、F、 等指标却很正常，模型的显著性和拟合程度看起来都很好。这种问题通常称为“伪回归” 问题。 二、时间序列平稳性的单位根检验 （一） Granger和Newbold提出了判断伪回归的一个经验法则：若回归分析结果中 DW，就可能存在伪回归问题。 （二）“单位根检验”（Unit root test） 基本思路：包含单位根过程是大多数经济时间序列非平稳性的原因，因此可以通过检验是否存在单位根，检验时间序列过程的平稳性。 最常用的方法： 1、迪基-富勒检验（Dickey-Fuller Test, DF） 2、扩展迪基-富勒检验（ADF） 1、基本的DF检验方法 （1）检验时间序列{ }是否属于最基本的单位根过程，也就是随机游走过程 ，其中 为白噪声过程。 （2）检验思路 首先 服从如下的自回归模型 如果其中 ，或者变换成如下的回归模型 中的 ，那么时间序列{ }就是最基本的单位根过程 ，肯定是非平稳的。 对上述差分模型中的显著性检验，就是检验时间序列是否存在上述单位根问题。 问题是如果时间序列确实是非平稳的单位根过程，那么最小二乘法估计回归得到的t统计量不服从t分布，因此不能用t分布表的临界值判断的显著性。 迪基和富勒通过蒙特卡罗模拟方法构造了专门的统计分布表，给出了包括10%、5%、1%几个显著性水平的临界值，称为DF临界值表。 为了区别起见，把上述模型回归分析计算的t统计量改称为“τ统计量”。 2、扩展迪基-富勒检验（ADF） 随机游走过程只是最简单的一种单位根过程，许多非平稳时间序列包含更复杂的单位根过程，包含常数项、趋势项和高阶差分项等。 为了使迪基-富勒检验适用单位根过程的检验，必须作适当的扩展。 扩展的方法是分别采用下列模型： 以这三个模型为基础的单位根检验称为“扩展迪基-富勒检验” 。 三、时间序列的单积性 检验时间序列平稳性的目的不是淘汰数据，因为简单地排除数据会浪费这些数据包含的信息，甚至会导致计量分析无法进行，平稳性检验的根本目的是更好地利用数据。 单积和协积是利用非平稳时间序列数据的关键。 不少非平稳时间序列作差分变换得到的差分序列都是平稳序列。对于这种非平稳时间序列的差分序列，基于平稳数据的计量分析就是有效的。 由于时间序列的差分序列与时间序列本身包含许多一致的信息，差分与原变量之间常常可以相互转换，因此利用差分数据进行计量分析也是有意义的。 并不是所有非平稳时间序列的差分序列都是平稳的。利用差分数据进行分析之前，必须对差分序列进行平稳性检验。检验的方法是把单位根检验用于时间序列的差分序列。 对于经过差分变换仍然非平稳的时间序列，还可以对差分序列再作差分变换，也就是对原序列作两次差分变换。 如果两次差分变换得到的二次差分序列是平稳的，则二次差分序列可用于计量分析。 如果二次差分序列仍然是非平稳的，还可以进行三次差分，并根据三次差分序列的平稳性分别处理。 依次类推，一个非平稳时间序列可以在进行了d次差分才变为平稳序列。这种经过d次差分才平稳的时间序列，称为d阶“单积”（Integrated）的，并记为 。 四、时间序列的协积性 （一）定义 如果一组时间序列都 是同阶单积 的（ ），并且存在向量 使加权组合 为平稳序列 （ ），则称这组时间序列为“协积的” （Cointegrated），其中 称为“