10第十章计量经济学.pptVIP

Economics 20 - Prof. Anderson 时间序列数据与横截面数据的比较 不像横截面数据，时间序列数据有一个时间的排序 考虑到时间序列数据不再拥有一个对个体的随机样本,因此需要改变某些假定 取而代之的是，可以将时间序列数据看作是一个随机过程的实现 时间序列数据的例子 描述同期变量关系的静态模型: yt = b0 + b1zt + ut 允许自变量对 y 具有滞后效应的有限分布滞后 (FDL)模型 yt = a0 + d0zt + d1zt-1 + d2zt-2 + ut 更一般地, 一个q阶的有限分布滞后模型 将包含z的q个滞后变量 有限分布滞后模型 通常将d0称为冲击倾向 –它反映了y的即期变化 对于自变量暂时的单期变化， y将在第q+1个时期之后回到它最初的水平 通常将d0 + d1 +…+ dq称为长期倾向 (LRP) – 它反映了自变量的永久改变所导致的 y的长期变化 无偏性假定 仍然假定模型对参数是线性的: yt = b0 + b1xt1 + . . .+ bkxtk + ut 仍然需要作零条件均值假定: E(ut|X) = 0, t = 1, 2, …, n 注意到这个假定的含义是，任一时期的误差项与所有时期的解释变量都无关 无偏性假定 (续) 零条件均值假定表明，诸 x都是严格外生的 另外，一种更加类似于横截面情形的假定是 E(ut|xt) = 0 该假定意指，诸x是同期外生的 同期外生性只能满足大样本的要求 无偏性假定 (续) 仍需假定x是变量，并且诸 x之间没有完全共线性 注意我们已经跳过了随机样本假定 随机样本假定的关键效应是每一个ui都是独立的 而前面的严格外生性假定，已经包含了这一点 普通最小二乘估计量的无偏性 基于上述三条假定，对于时间序列数据，普通最小二乘估计量是无偏的 这正如横截面数据的情形一样，在适当的条件下普通最小二乘估计量是无偏的 可以采用横截面情形下的相同方法，来分析遗漏变量的偏误问题 普通最小二乘估计量的方差 正如在横截面情形下一样，为了推导出估计方差，需要增加同方差性假定 即假定 Var(ut|X) = Var(ut) = s2 因此，误差项的方差是独立于所有的x ，并且是不随时间而变的常数 此外，还需要作无序列相关假定: Corr(ut ,us| X)=0 ，对于 t ? s 普通最小二乘估计量的方差(续) 在上述五个假定下，时间序列的普通最小二乘估计量的方差将与横截面情形相同，即 s2的估计量是相同的 普通最小二乘估计量仍然是最优线性无偏估计量 加上误差项的正态假定，推断也是相同的 带趋势的时间序列 经济时间序列通常具有时间趋势 仅仅因为两个时间序列在时间趋势上走到了一起，是不能认为它们之间存在因果关系的 经常地，是其他未观测到的因素，导致了两个时间序列出现趋势 尽管这些因素是无法观测到的，但我们可以通过直接控制趋势来控制它们 时间序列的趋势(续) 一种可能性是线性趋势，可以采用模型: yt = a0 + a1t + et, t = 1, 2, … 另一种可能性是指数趋势，可采用模型: log(yt) = a0 + a1t + et, t = 1, 2, … 另外，还有二次函数趋势，可采用模型: yt = a0 + a1t + a2t2 + et, t = 1, 2, … 除趋势 在回归中增加一个线性趋势项，与在回归中使用已经除去趋势的时间序列，所得结果是一样的 对时间序列除趋势，就是对模型中的每一个变量，都对时间t作回归 由此得到除趋势序列的残差形式 这样，序列中原有的时间趋势就被偏掉了 除趋势(续) 与向模型引入时间趋势因子相比，采用除趋势数据的好处是便于计算拟合优度 由于趋势的高解释度，时间序列回归往往具有很高的R2 而使用除趋势数据作回归，所得到的R2能够更真实地地反映xt对 yt的解释程度 季节性 通常，时间序列数据会表现出某种周期性，这种周期性统称为季节性 例子：零售额季度数据往往会在第四个季度出现跳跃 对于季节性，可以通过增加一组季节虚拟变量来处理 同时间趋势一样，也可以在回归之前对序列进行去季节性处理 * * 时间序列数据 yt = b0 + b1xt1 + . . .+ bkxtk + ut 1. 基本分析