第12章時间序列模型.pptVIP

第12章 时间序列模型 ;主要内容; 例如线性回归模型中的随机误差项u1，u2，…，un可以看着是随机过程…， u-1，u0， u1， …，ut ， …的一个样本。; 平稳随机过程：如果随机过程yt满足;平稳随机过程举例; 自相关函数：对于随机过程 {yt} ， yt和yt+k之间的自相关函数为; 但是在实际计算时，只能计算样本自相关函数;第二节 自回归过程（AR） ;一 自回归过程的平稳条件 ; 只有当 时，; 这表明 只与k有关。因此从上述分析得知当 时，一阶自回归过程为平稳过程。; 对于p阶自回归过程，也有类似的结论。; 一阶自回归过程AR(1)的自相关函数为; 当k=0时，; 当自回归阶数p已知，可直接用OLS法估计参数; 如果自回归阶数p未知，最关键的就是确定p，可根据自相关图和偏相关图来确定。 将p求出后，就可以直接利用OLS法估计参数。下面介绍偏相关系数检验法。 当样本的容量n很大时，样本偏相关系数近似地服从均值为零，方差为1/n的正态分布。因此偏相关系数检验法的步骤为：; 检验方法： 步骤1：计算出置信区间 ； 步骤2：计算出各阶样本偏相关系数 （可以由偏相关函数图得到）； 步骤3：考察 是否落在此区间内。如果 落在区间外，则说明 是显著的（即 ）；否则 是不显著的（即 ）。;第三节 移动平均过程（MA）; 二 移动平均阶数的确定;因此自相关函数; 对于q阶移动平均过程MA(q);我们利用自相关函数图来确定q，样本自相关系数为; 检验方法： 步骤1：计算出置信区间 ； 步骤2：计算出各阶样本自相关系数 （可以由自相关函数图得到）； 步骤3：考察 是否落在此区间内。如果 落在区间外，则说明 是显著的（即 ）；否则 是不显著的（即 ）。; 二 移动平均模型的估计;第四节 自回归移动平均过程（ARMA）; 自回归移动平均回归过程ARMA(p，q)估计比较复杂，需要用到非线性估计法。但是使用Eviews软件包就比较简单了，下面将具体的过程演示一下。; 自回归求积移动平均过程（ARIMA） 上述讨论的AR，MA和ARMA均为平稳随机过程，但是许多时间序列是非平稳的，即它们是经过求积的，如果一个时间序列是非平稳的，而它的一阶差分是平稳的，称此时间序列是I(1)。如果它的d次差分是平稳的，称此时间序列是I(d)。 因此对于时间序列d次差分后平稳，然后用ARMA(p，q)作为它的模型，称此时间序列是自回归求积移动平均，记为ARIMA(p，d， q)。 具体的做法是先将时间序列差分生成新的数据，再利用ARMA模型。;第五节 协整理论和误差修正模型; 一 协整; 2 协整检验; 如果xt和yt都是一阶求积的I(1)，则预期u也是I(1) ，那么上述回归的D·W 统计量就应该接近于零，两个序列将不具有协整关系。所以我们建立如下检验： 原假设H0：d=0 若计算得到的D·W 统计值小于临界值，则认为xt和yt 不具有协整关系。; 方法一：扩充DF-t 检验; 二 误差修正模型（ECM）; 将上述模型的参数修改一下，得;第六节 自回归条件异方差模型; 在时刻t以前的信息完全已知的条件下，随机误差项ut的方差 满足;二 广义自回归条件异方差（GARCH）模型; 下面以最简单的GARCH（1，1）为例进一步讨论。;谢 谢！