第八专题_时间序列模型资料.ppt

《计量经济学》课件 教师：周靖祥 单位：湘潭大学商学院 Email1:zjx2010@ Email2:zhoujingx@126.com 第八专题时间序列模型（三） 本讲要点： 一、结构VAR模型(SVAR) 二、滞后阶数的确定 三、VAR模型脉冲响应与方差分解 四、AR系列扩展模型 五、状态空间模型（TVP模型） 一、结构VAR模型(SVAR) 四、AR系列动态模型 （一）ADLM模型 ADLM（autoregressive distributed lag Model）称为自回归分布滞后模型。 模型的特点： 相比于标准的协整检验，不论变量是否同为过程，或同为过程，既不需要变量同阶单整，都可以用ADLM模型来检验变量之间的长期关系。 模型结构 典型的 模型的结构如下： 其中： L是滞后算子(lag operator，定义如下： 建模方法 ADLM建模的方法包括两个阶段： 【1】建立与该ADLM模型相对应的误差修正模型（ECM），并计算出ECM模型中的F统计量，判断变量间是否存在长期稳定的关系。 【2】运用ARDL模型，估计变量之间长期关系的系数。 所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对其滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。 ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，具体又包括：移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。 （1）MA过程 q阶的移动平均（MA）过程可用下式表示： 其中u为常数项， 为白噪音过程 引入滞后算子L，原式可以写成: 或者 其中 MA（q）过程的特征 【1】 【2】 【3】自协方差 ①当kq时 ＝0 ②当kq时 对于任意的，MA(q)是平稳的。 （2）自回归过程 p阶自回归（AR）过程可以用下式表示： 其中， 为白噪音过程 引入滞后算子，则原式可写成 或者 其中 AR(p)过程平稳的条件 如果特征方程： 的根全部落在单位圆之外，则该AR(p)过程是平稳的。 （3）自回归移动平均（ARMA）过程 将MA(q)过程与AR(p) 过程合并，可以得到一个ARMA(p,q)过程，其形式如下： 其中 为白噪音过程。 若引入滞后算子，可以写成 其中： ARMA过程平稳性的条件 ARMA过程的平稳性取决于它的自回归部分。 当满足条件： 特征方程的根全部落在单位圆以外时，ARMA(p,q)是一个平稳过程。 ARMA模型的识别 ARMA模型识别主要借助： 自相关函数(autocorrelation function,简称ACF） 偏自相关函数(partial autocorrelation function,简称PACF)以及它们各自的相关图（即ACF、PACF相对于滞后长度描图）。 我们首先介绍自相关函数和偏自相关函数的定义。 自相关函数和偏自相关函数 【1】自相关函数 对于一个序列 来说，它的第j阶自相关系数(记作 )定义为它的j阶自协方差除以它的方差，即 ， 的取值范围是 。 (j=0,1,2...)可看作是关于j的函数，由此称之为自相关函数，通常记ACF(j) 【2】偏自相关函数 偏自相关系数度量了消除中间滞后项影响后两滞后变量之间的相关关系，偏自相关函数记为PACF(j) 。 【3】自相关函数和偏自相关函数的联系： （4）ARIMA模型的估计 矩估计：利用样本自协方差函数和样本自相关函数，对模型的参数作估计。 极大似然估计：包括无条件极大似然估计、条件极大似然估计、精确似然估计等方法。 非线性估计：利用迭代搜索思想。 最小二乘估计：对于不包含MA部分的ARMA模型（即AR模型），可以利用普通最小二乘法对参数进行估计。 （5）ARMA模型的预测 以平稳的AR(2)过程为例： 其中 为零均值白噪音过程 由模型的平稳性，我们有：