Eviews数据统计与分析教程8章.ppt

* EViews统计分析基础教程 第8章 时间序列模型 重点内容： 时间序列的分解方法 随机过程的定义 AR、MA、ARMA模型的建立方法 协整理论 误差修正（ECM）模型的建立 一、时间序列的趋势分解 时间序列的分解方法包括两种： 季节调整（适用于趋势要素与循环要素不可分时） 趋势分解（适用于趋势要素和循环要素可分解时 ） 一、时间序列的趋势分解 趋势分解——HP（Hodrick – Prescott）滤波法 设时间变量Yt含有趋势因素和波动因素，令 Yt = YtT+ YtC （t=1，2，T） 其中， YtT表示含有趋势因素的时间序列， YtC表示含有波动因素的时间序列。HP滤波法就是将时间序列Yt中YtT的分离出来。 设 min HP滤波就是求该式的最小值。 HP滤波取决于参数λ，当λ=0时，符合最小化的趋势序列为Yt序列；当λ逐渐变大时，估计的趋势变得越来越光滑；当λ接近于∞时，估计的趋势接近于线性函数。 一、时间序列的趋势分解 趋势分解——HP（Hodrick – Prescott）滤波法 EViews操作方法： 选择序列对象工具栏中的“Proc”|“Hodrick – Prescott Filter…”选项，将弹出右图所示的对话框。 在“Smoothed”的编辑栏中输入趋势序列名 在“Lambda”的编辑栏中输入参数λ的值， 如果是年度数据输入100，如果是季度数 据输入1600，如果是月度数据输入14400。 然后单击“OK”按钮，就会得到原序列和 趋势序列的图形。 二、时间序列的指数平滑 EViews操作方法： 选择序列对象工具栏中的“Proc”|“Hodrick – Prescott Filter…”选项，就可以弹出指数平滑法的对话框，如下图所示。 在“Smoothing method”中选择方法; 在“Smoothing parameters”中写入 平滑参数，如果输入字母E，系统 会自动估计参数; 在“Smoothed series”输入平滑后的 序列名称。 三、随机过程 分类： 白噪声（White Noise）过程 随机游走（Random Walk）过程。 三、随机过程 分类： 白噪声过程 白噪声过程是指，对于随机过程{xt,t∈T}，如果 E (xt) = 0 Var(xt)= σ2 ∞ Cov (xt，xt+-s) =0 其中，t∈T，（t+s）∈T，s≠0，此时{xt}为白噪声过程。 白噪声过程是平稳的随机过程，其均值为0，方差为常数，随机变量间不相关。白噪声源于物理学，指功率谱密度在整个频域内均匀分布的噪声。 三、随机过程 分类： 白噪声过程 白噪声过程是指，对于随机过程{xt,t∈T}，如果 E (xt) = 0 Var(xt)= σ2 ∞ Cov (xt，xt+-s) =0 其中，t∈T，（t+s）∈T，s≠0，此时{xt}为白噪声过程。 白噪声过程是平稳的随机过程，其均值为0，方差为常数，随机变量间不相关。 三、随机过程 分类： 白噪声过程 白噪声源于物理学， 指功率谱密度在整 个频域内均匀分布 的噪声。 时间序列{xt}白噪声过程图形 三、随机过程 分类： 随机游走过程 随机游走过程是指，时间序列中下个时期的值等于本期值加上一个独立的（或至少是不相关的）误差项。 在最简单的随机游走中，xt的每一次变化均来自于前期xt-1的变化，其表达式为 xt = xt -1 + ut （8-9） 其中，ut为平稳的随机过程，即为白噪声过程，xt为随机游走过程。 三、随机过程 分类： 随机游走过程 时间序列{xt}随机游走过程图形 四、时间序列模型的分类 1、自回归（AR）模型 时间序列{xt }的p阶自回归（AR，Auto Regressive）模型的表达式为 xt = c+?1xt-1 + ? 2 xt-2 + … + ?p xt-p+ ut 其中，参数c为常数；?