计量经济学第七篇.pptVIP

* 序列相关理论与检验（续3） 检验—LM检验（续） 对(5)式中的非条件残差建立辅助回归方程 Breusch-Godfrey利用上式的决定系数R2构造了LM检验统计量 LM=nR2 其中，n是计算辅助回归时的样本数据个数 在零假设下，LM统计量有渐进的 分布 * 序列相关理论与检验（续4） [例7-7]续例7-4，对模型ARMA(2,1)的残差进行LM检验 模型的残差二阶自相关检验结果如下(p=2) 其中，第一行的F统计量在有限样本情况下的精确分布未知，其结果一般作为参考；第二行 Obs*R-squared后的数值是LM统计量值及其检验的相伴概率 LM检验的p值0.87大于显著性水平0.05，则不能拒绝原假设，即残差项不存在小于或等于二阶自相关 F-statistic 0.149590 Probability 0.861212 Obs*R-squared 0.270861 Probability 0.873340 * 残差序列的ARMA模型 模型的建立 若对某个线性回归模型残差序列进行LM检验，发现序列存在自相关，可考虑对残差序列建立ARMA模型 若非条件残差包含季节性，应考虑引入季节自回归和移动平均项 模型的形式、定阶、参数估计、检验及预测都可利用前述方法，只是处理对象为序列ut 对于非线性回归模型，只能采用AR(p)形式对非条件残差建模 不能包含季节自回归与移动平均项 * 残差序列的ARMA模型（续1） 模型的基本形式 AR(p) MA(q) ARMA(p,q) * 残差序列的ARMA模型（续2） [例7-8]续例3-3已知1950-1981年间美国机动车汽油消费量和影响消费量的变量数值，其中 QMG-机动车汽油消费量（单位：千加仑） CAR-汽车保有量 PMG-机动车汽油零售价格 POP-人口数 RGNP-按1982年美元计算的GNP（单位：十亿美元） PGNP-GNP指数（1982年为100） * 残差序列的ARMA模型（续3） 建立回归模型(模型1) 经过尝试，建立的回归模型如下 对模型的残差进行LM检验，结果如下 即残差项存在二阶自相关 F-statistic 13.25588 Probability 0.000107 Obs*R-squared 16.15593 Probability 0.000310 * 残差序列的ARMA模型（续4） 对残差项建立ARMA模型(模型2) 经尝试，可对残差项建立AR(1)模型 对模型的残差进行LM检验，结果如下 即残差序列已不存在二阶自相关 F-statistic 0.714240 Probability 0.499678 Obs*R-squared 1.741468 Probability 0.418644 * 残差序列的ARMA模型（续5） 比较两个模型的评价结果 由上表可知，模型2的各个评价指标均优于模型1 模型 Adjusted R2 AIC SC MAPE 模型1 0.9916 32.02 32.20 2.48 模型2 0.9962 31.19 31.42 1.88 * 第三节 模型的识别与建立 自相关函数与偏自相关函数 模型的识别 模型的参数估计 模型的检验 * 自相关函数与偏自相关函数 MA(q)的自相关与偏自相关函数 模型 自相关函数的截尾性 自相关函数的截尾性 序列的自相关函数ρk在kq以后全部是0 有利于识别移动平均过程的阶数q 偏自相关函数的拖尾性 序列的偏自相关函数随着滞后期k的增加，呈现指数或者正弦波衰减，趋向于0 * 自相关函数与偏自相关函数（续1） AR(p)的自相关与偏自相关函数 模型 偏自相关函数的截尾性 序列的偏自相关函数φkk 是p步截尾的，即当kp时，φkk 的值是0 有利于识别自回归模型和确定阶数p 自相关函数的拖尾性 序列的自相关函数呈现指数或者正弦波衰减 * 自相关函数与偏自相关函数（续2） ARMA(p,q)的自相关和偏自相关函数 较为复杂 可证明，它们均是拖尾的 * 模型的识别 [例7-3]序列pt是某国1960-1993年GNP平减指数的季度时间序列，要求对平稳序列iilpt( )进行模型识别 将序列命名为p 对序列取对数后进行逐期差分，新序列命名为iilp，即 * 模型的识别（续1） 绘制序列iilp的线图 由上图可知，序列基本已平稳，且均值为0 * 模型的识别（续2） 绘制序列iilp的自相关(偏自相关)分析图 由图可知 偏自相关系数在k=2后很快趋于0，则取p=2 自相关系数在k=3时似乎也与0有显著差异，可考虑q