第10章节时间序列数据的基本回归剖析.pptVIP

10.5 趋势和季节性 描述有趋势的时间序列 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，会导致如下错误结论：认为一个变量的变化由另一个变量的变化所致。在很多情况下，两个时间序列过程表现出相关性仅仅是因为，由于某些无法观测因素的作用，二者具有共同的时间趋势而已。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 线性时间趋势（linear time trend）：各期变化值相同 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 指数趋势（exponential trend）： 各期具有相同的平均增长率 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 第十章 时间序列数据的基本回归分析 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 10.1 时间序列数据的性质 我们应该怎样认识时间序列数据的随机性？ 回答：很明显，经济时间序列满足作为随机变量结果所要求的直观条件，这些变量的结果都无法事先预料到。（例如，我们今天不知道道琼斯工业指数在下一个交易日收盘时会是多少，我们也不知道加拿大下一年的年产出增长会是多少。） 规范地，一个标有时间脚标的随机变量序列被称为一个随机过程（stochastic process）或时间序列过程（time series process）。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 10.2 时间序列回归模型的例子 1、静态模型 我们将有两个变量（例如y和z）的时间序列数据标注相同的时期，将这样的y和z联系起来即为一个静态模型（static model）： “静态模型”的名称来源于我们正在模型化y和z的同期关系的事实。 在一个静态回归模型中也可以有几个解释变量。 2、有限分布滞后模型 在有限分布滞后模型（finite distributed lag model，FDL）中，我们容许一个或多个变量对y的影响有一定时滞。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 考察一个二阶FDL： （1）当z发生一个暂时性的提高时， 则表示z在t时期提高一个单位所引起y的即期变化。 通常被称作冲击倾向（impact propensity）或冲击乘数（impact multiplier）。 （注意： 分别表示这一暂时变化发生后，下一时期、两个时期、…j个时期后y的变化—如图10.1） （2）当z从t期开始永久性提高，一期后y提高了 ，两期后y提高了 。 这表明，z的当期和滞后系数之和 ，等于z的永久性提高导致y的长期变化，它被称为长期倾向（long-run propensity, LRP）或长期乘数（long-run multiplier）。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile . Copyright 2004-2011 Aspose Pty Ltd. 一个q阶有限分布滞后模型可写成： 静态模型是