时间序列分析讲义第10章协方差平稳向量过程剖析.doc

第十章 协方差平稳向量过程和向量自回归模型 在时间序列理论当中，涉及到向量时间序列的主要有两部分内容，一部分是多元动态系统，另一部分是向量自回归模型的估计和检验。在本章当中，我们主要讨论一些基本概念。 §10.1 向量自回归导论 仍然利用小写字母表示随机变量或者实现，只是现在讨论向量之间的动态交互作用。假设一个阶向量自回归模型可以表示为： (10.1) 其中是阶系数矩阵，是白噪声向量，满足： 其中是阶正定矩阵。 可以利用分量形式将上述方程组的第一个方程表示为： (10.2) 由此可见，在模型当中，每个变量都表示成为常数项和其他所有变量的阶自回归的形式。此时与一元情形的一个显著的不同是，每个方程的残差项之间可能是相关的。 利用滞后算子形式，可以将模型表示成为： (10.3) 其中滞后算子多项式的元素可以表示成为： 其中， 定义10.1 如果一个向量过程的一阶矩和二阶矩与时间无关，则称其是协方差平稳过程。此时下述变量与初始时间无关： 和 命题10.1 如果一个向量过程满足模型，且该过程是向量协方差平稳过程，则该过程的性质有： (1) 该过程的均值向量可以表示成为： (10.4) (2) 模型可以表示成为中心化形式： (10.5) §10.2 向量自回归方程的表示和平稳性条件 与将高阶线性差分方程表示为一阶差分方程一样，我们也可以将一个普通的VAR (p)模型表示成为VAR (1) 的形式。为此，我们定义更高阶的向量为： 利用上述表示，可以将VAR (p)模型表示成为紧凑形式为： (10.6) 此时向量误差的协方差矩阵为： 此处协方差矩阵为： 对方程(10.6)进行叠代，可以得到： 显然，当向量过程是平稳过程时，任何给定的误差过程的影响一定要随着时间消失，这时矩阵的所有特征根都要落在单位圆内。 类似的命题有： 命题10.2 矩阵的特征根满足下列方程： (10.7) 与此对应，VAR (p)模型是向量协方差平稳过程的条件是下述方程的特征根全部落在单位圆外： 对向量协方差平稳过程而言，我们也可以类似地定义和讨论它的协方差性质。例如，时间间隔为j的协方差矩阵为： (10.8) 但是需要注意的是，此时不满足等式：，正确的对应关系为： 针对协方差平稳的VAR (p)模型，假设： (10.9) 进一步可以得到： 因此有： (10.10) 上述公式建立了向量协方差之间的关系。 §10.3 向量自回归模型的极大似然估计和假设检验 显然，在协方差平稳过程中，向量自回归模型是比较容易进行估计和预测的，由于Sims (1980) 做出了具有影响性的研究，使得VAR模型在进行经济系统的动态分析中变得十分流行。下面我们主要介绍没有限制条件的VAR模型的估计问题。 1. 向量自回归的条件似然函数 假设维向量满足阶高斯—向量自回归模型： (10.11) 其中是阶系数矩阵，是高斯噪声向量，满足： 上述模型估计类似于单变量AR模型。 2. 似然比检验 对于VAR模型而言，检验模型的自回归阶数的假设检验可以很容易和方便地通过似然比检验进行，此时模型的原假设和备选假设为： ：；： (10.12) 此时的似然比统计量为： 这里的s是原假设的限制参数个数，此时 §10.4 二元变量的Granger因果关系检验 可以利用向量自回归模型处理的一个重要问题是判断一些变量在预期其他变量时是否有用。这时我们需要描述二元变量之间的关系。这种方法最早由Granger (1969) 提出，通过Sims (1972) 的应用使其流行起来。 1. 二元变量Granger因果性的定义 考虑两个单变量和，我们需要解决的问题是如何判断是否有助于预测。如果无助于预测，我们则称对没有显著的Granger因果影响( does not Granger-ca