金融计量学平稳金融时间序列∶ARMA模型.pptVIP

若将统计量中的分子项展开，可得： 将上式代入到统计量中，同时注意到： 那么，可以得到D-W检验统计量的另外一个近似表达式，即： 由 的数量关系可以得到：若不存在序列相关性，即 接近于0，那么D-W统计量应该非常接近于2，若序列相关性非常强，即 接近于1或者-1，则D-W统计量应该非常接近于0或者4。在现实中，通过D-W统计量快速判断是否存在一阶自相关性的方法之一就是看D-W统计量与2的比较。 D-W检验存在至少三个方面的弱点： 1.D-W检验只能检验一阶自相关性，不能用来检验高于一阶的情况。 2.D-W检验要求原始回归方程中一定不能含有被解释变量的滞后项。 3.D-W检验存在无法判定的检验区域即在某个实数域内，如果检验统计量落在了这个域内，则D-W检验无法判断是否拒绝原假设。 4.6 ARMA模型的实证分析与应用 4.6.1 ARMA模型的滞后期设立 使用ARMA模型分析实际问题，首先需要处理的问题就是模型中的滞后期数。如何设立一个“最优”的滞后期数？对这个问题的回答，可以归结到著名的Box-Jenkins模型选择原则，基本思想是在确立滞后期时，应该兼顾模型的简约度和拟合程度。 一般有两种常见的方法可供选择滞后期使用。 第一种方法称为“向下检验”法。“向下检验”法的基本内容是，从一个最大滞后期开始检验最后一个滞后项的系数是否显著，如果不显著，则去掉该滞后项，依此类推进行下去直至最后一个滞后项系数显著为止。 以AR模型为例，首先可以根据具体问题设定一个最大的滞后期数，如 ，然后估计AR( )模型，即： “向下检验”法首先进行以下检验： 若拒绝原假设，则最优滞后阶数为 ，从而确定AR( )为实证估计模型。 相反，如果原假设不能被拒绝，那么开始下一轮估计与检验，即估计： 并检验： 如果原假设被拒绝，那么“向下检验”的步骤到此为止，对应选择的最优滞后期数为（ -1）。 另一个经常使用的滞后期数选择的方法是所谓的信息准则法，常用的信息准则包括Akaike Information Criterion (AIC) 和Schwartz Information Criterion (SIC)，SIC有时也写成BIC。 假定分析的模型是类似 样的AR模型,对应的有效样本大小为 ，那么AIC和SIC的定义如下： 4.6.2 ARMA模型的回归估计 假设我们估计下面的AR模型： 假设模型不存在序列相关性，那么可以使用传统的OLS估计，即用当前期的 作为被解释变量，对一个常数项和它本身的p个滞后期进行回归。 尽管模型可以看作一个传统的回归方程，但是，又存在一个特殊的实践性问题，那就是如何处理初始值 。例如，在t=1时，回归方程应该写成： 图4-12 AR模型回归估计中滞后造成的观测值缺失及处理 4.7 实例应用:中国CPI通胀率的AR模型 例：考查中国的季度CPI通胀率的动态模型设立与估计。我们使用公布的月度价格指数（上年同月）的季末月份观测值（减100）作为研究的季度数据，以减少由月度平均数作为季度数据可能带来的序列相关性。 首先考虑AR还是MA模型比较适合用来捕捉我国通胀率的动态路径。 图4-13 中国季度CPI通胀率（％） 1981Q1-2006Q2 模型是否可能包含滑动平均（MA）项呢？如果通胀率随机时序轨迹的真实数据生成过程含有MA成份，其部分自相关函数应该呈现拖尾态势，而ACF会出现截尾现象。从图中看到，通胀率变量的PACF在一定滞后期数后陡然切断到0，而SACF则呈现出拖尾现象，从而表明用AR(p)模型来刻画我国通胀率的时序特性比较合理。 要利用AR模型获得相对合理可靠的估计，AR模型的滞后期数应该科学有据地选取。可以初始设定8期，然后根据AIC标准来确定最优滞后期数（循环减少期数直至AIC达到最小值），从而也符合计量中模型确立的“从一般到特殊”的规则。在实践中，依据BIC标准选择的结果也完全一致。 图4-14中国CPI通胀率的PACF与SACF 根据以上分析，基本的模型设定为： 其中： 代表通胀率， 是截矩项， 是序列不相关的随机扰动误差项