第21节：时间序列计量经济学.pptVIP

时间序列计量经济学模型的理论与方法 第一节 时间序列的平稳性及其检验 第二节 随机时间序列模型的识别和估计 第三节 协整分析与误差修正模型 §21.1 时间序列的平稳性及其检验 一、问题的引出：非平稳变量与经典回归模型 二、时间序列数据的平稳性 三、平稳性的图示判断 四、平稳性的单位根检验 五、单整、趋势平稳与差分平稳随机过程 一、问题的引出：非平稳变量与经典回归模型 ⒈常见的数据类型 到目前为止，经典计量经济模型常用到的数据有： 时间序列数据（time-series data)； 截面数据(cross-sectional data) 平行/面板数据（panel data/time-series cross-section data) ★时间序列数据是最常见，也是最常用到的数据。 ⒉经典回归模型与数据的平稳性 经典回归分析暗含着一个重要假设：数据是平稳的。 数据非平稳，大样本下的统计推断基础——“一致性”要求——被破怀。 经典回归分析的假设之一：解释变量X是非随机变量 放宽该假设：X是随机变量，则需进一步要求： (1)X与随机扰动项 ? 不相关∶Cov(X,?)=0 第（2）条是为了满足统计推断中大样本下的“一致性”特性： 表现在:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)： 例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 在现实经济生活中： 情况往往是实际的时间序列数据是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。 时间序列分析模型方法就是在这样的情况下，以通过揭示时间序列自身的变化规律为主线而发展起来的全新的计量经济学方法论。 二、时间序列数据的平稳性 时间序列分析中首先遇到的问题是关于时间序列数据的平稳性问题。 假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列{Xt}（t=1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件： 1）均值E(Xt)=?是与时间t 无关的常数； 2）方差Var(Xt)=?2是与时间t 无关的常数； 3）协方差Cov(Xt,Xt+k)=?k 是只与时期间隔k有关，与时间t 无关的常数； 则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）。 平稳随机过程 某一随机过程的均值和方差都为与实践无关的常数，并且在任何两期之间的协方差值仅仅依赖于该两期间的距离和滞后，而不依赖于计算的时间，这一随机过程就为平稳过程。 简言之，若一个时间序列是平稳的，则不管在什么时间测量，它的均值、方差和（各种滞后的）自协方差都保持不变，即它们都不随时间而变化。 平稳时间序列有回到其均值的趋势，可以称之为均值回复过程，围绕均值波动且有大致恒定的振幅。 严平稳的定义 非平稳过程 若某一过程不满足上述平稳过程定义中的某一条性质，即均值、方差和协方差都随时间而变化，或者其一会随时间变化，都为非平稳过程 随机游走过程就是非平稳过程 随机游走过程分为： （1）不带漂移的随机游走（即不存在常数项或截距项） （2）带漂移的随机游走（出现常数项或截距项） 只有当-1?1时，该随机过程才是平稳的。 单整、趋势平稳与差分平稳随机过程 随机游走序列 Xt=Xt-1+?t 经差分后等价地变形为 ?Xt=?t 由于?t是一个白噪声，因此差分后的序列{?Xt}是平稳的。 一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整（integrated of d）序列，记为I(d)。 显然，I(0)代表一平稳时间序列。 现实经济生活中: 1)只有少数经济指标的时间序列表现为平稳的，如利率等; 2)大多数指标的时间序列是非平稳的，如一些价格指数常常是2阶单整的，以不变价格表示的消费额、收入等常表现为1阶单整。 大多数非平稳的时间序列一般可通过一次或多次差分的形式变为平稳的。 但也有一些时间序列，无论经过多少次差分，都不能变为平稳的。这种序列被称为非单整的（non-integrated）。 若一个时间序列的趋势完全可以预测而且保持不变，我们称为确定性趋势 若这个时间序列的趋势不能