六动态模型.pptVIP

第六章 动态模型 本章要点 ARDL模型的概念、优点、结构与构造 ARIMA类模型的概念 AR模型稳定性的条件，AR模型和MA模型的相互转化 AR模型、MA模型、ARMA模型自相关函数、偏自相关函数的特点 信息准则的基本原理 VAR模型的概念、构造及格兰杰因果检验、脉冲响应 GARCH类模型的概念 ARCH效应的检验 第一节 ARDL模型的概念和构造 ARDL模型的概念 ARDL(autoregressive distributed lag)称为自回归分布滞后模型。 计量软件Microfit，可用来对ARDL模型进行方便的估计. ARDL模型的优点 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ARDL模型来检验变量之间的长期关系。 ARDL模型的的结构 一个典型的 模型的结构如下： 其中 表示 滞后的阶数， 表示第i个自变量 滞后的阶数， 。L是滞后算子(lag operator),它可用下式定义： ， 是s行、1列的确定向量 ARDL建模的基本方法 ARDL建模的方法包括两个阶段： 第一阶段，建立与该ARDL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。以此判断变量间是否存在长期稳定的关系。 第二阶段，运用ARDL模型，估计变量之间长期关系的系数。 实例－ARDL模型在金融数据中的应用 研究对象 美国非耐用消费品支出LC与真实可支配收入LY,通胀率DP之间的关系 数据 1960年1季度到1994年1季度的季度数据 首先，我们调用Microfit软件读入该数据文件。对原始数据进行取对数作差分的处理。 对应于ARDL(4,4,4)中变量LC，LY和DP的误差修正模型（ECM）如下： 原假设：变量间不存在稳定的长期关系，即： 择备假设： 或 或 图 6-3 假设检验的结果 计算F统计量，检验三者之间是否具有长期关系 图6-5 ARDL(1,2,0)估计结果 用Microfit软件中的ARDL选项来估计变量间的长期系数以及相应的误差修正模型ECM 图6-6 ARDL(2,2,3)估计结果 图6-8 AIC准则选定的误差修正模型结果 图6-10 预测结果 第二节 ARIMA模型的概念和构造 ARIMA模型的概念 所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的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，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。 移动平均过程 一个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。 自回归过程 一个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。 AR(p)过程的特征 =0， 的无条件期望是相等的，若设为u，则得到 : 再看方差和协方差 …… 将上述p+1个方程联立，得到所谓的Yule-Walker方程组，共p+1个方程，p+1个未知数，得出AR（p）过程的方差及各级协方差。 自回归移动平均（ARMA）过程 将MA(q)过程与AR(p) 过程合并，我们就可以得 到一个ARMA(p,q)过程，其形式如下： 其中 为