第五讲 时间序列分析课件.ppt

第五讲 时间序列模型;本章主要内容： 扰动项序列相关的建模：自回归模型（AR模型） 平稳时间序列建型：自回归移动平均模型（ARMA模型) 非平稳时间序列建模：单位根检验、协整分析、误差修正模型（ECM) ;一、扰动项序列相关性的检验和建模;如果扰动项序列ut表现为： 扰动项之间不再是完全相互独立的，而是存在某种相关性。 若扰动项ut序列存在相关，则回归方程的估计结果不再优良，OLS估计量不再有效，计算的标准差不正确，回归检验不可信。因此必须采用其他的方法，解决扰动项不满足回归假设所带来的模型估计问题。 ;（1）残差图 对残差作散点图，若残差围绕y=0参考线上下随机摆动，说明无序列相关。;（2） 相关系数和Q统计量检验 希望自相关系数和偏相关系数都比较小;Q统计量检验 构造Q统计量进行检验： 其中：rj是扰动项序列的j阶自相关系数，T是样本容量，P是滞后阶数。;（3）DW统计量检验 Durbin-Watson 统计量（简称DW统计量）（只能）用于检验一阶序列相关，还可估算回归模型邻近残差的线性联系。对于残差ut建立一阶自回归方程： DW统计量检验的原假设：? = 0，备选假设是 ? ? 0。 ; DW检验适于一阶序列相关性检验，其取值范围（0，4）， DW越接近2，序列相关程度越小；越接近0（或4），序列正（或负）相关程度越大，见下图。其中DL 、DU根据样本数n、变量个数k查表得出。;（4） LM检验;第一步,估计回归方程，并求出残差ut 第二步,建立残差对原始回归因子Xt 和1～p阶滞后残差的回归方程 构建检验残差回归方程显著性的F统计量和T×R2统计量。 第三步,根据统计量进行残差序列相关性推断，若: 统计量临界值，即Probability0.05,说明不存在序列相关; 统计量临界值，即Probability0.05,说明存在序列相关;3、残差序列相关性检验在Eviews中的实现 例1，在Eviews安装路径下的“cs.wf1”数据中，列示了1947年第1季度～1995年第1季度美国消费CS 和GDP数据（已消除了季节要素的影响），要求建立消费CS 和GDP及前一期消费CS(－1）之间的线性回归方程，并检验残差序列的相关性。 在主窗口选择：Quick/Equation Estimation/在Specification框中输入“CS C CS(-1) GDP” 应用最小二乘法建立回归方程： t = (?1.93) (41.24) (3.23) R2=0.999 D.W.=1.605 ; 从DW值看，残差序列相关现象不明显，但由于回归方程右边存在滞后因变量，DW检验不再有效，因此采用其他方法进行检验。 相关系数统计量检验。在方程工具栏中选择： View/Residual Tests/correlogram Q statistics 结果阅读：EViews将显示残差的自相关和偏自相关数值以及对应于高阶序列相关的Q统计量。如果残差不存在序列相关，在各阶滞后的自相关和偏自相关值都接近于零。所有的Q-统计量不显著，并且有大的P值。;LM检验。在方程窗口工具栏选择： View/Residual Tests/Serial correlation LM Test/在滞后定义对话框，输入要检验序列的最高阶数5 结果表明，残差序列明显的序列相关，具体地说，在0.1的显著性水平上，残差序列存在1、2、3阶自相关。;4、 残差存在序列相关的回归方程的修正 ;其中：ut 是第一个回归方程的残差，参数 ?0，?1， ?2，?，?k 是回归模型的系数。第二个式子是残差ut的 p 阶自回归模型，参数