应用时间序列分析 史代敏 谢小燕 第一章 导论.pptVIP

应用时间序列 第一章 导论 第一节 关于时间序列分析 一、什么是时间序列 最常见的数据有两类，一类是截面数据，即就某一数量指标在同一时点上对不同个体的观察数据，另一类就是时间序列数据。所谓时间序列数据，是指对反映社会、经济、自然等现象的某一数量指标进行时间上的观察所得到的数据，而时间序列就是将这些观测数据按照时间的先后顺序排列起来所形成序列。 表1 中国1979----2009年国内生产总值GDP（单位：亿元）年度时间序列表 表1.2 上海股票市场综合指数周收盘时间序列表 时间序列的特点 1．时间序列中数据的位置与时间有关 2．时间序列是对相关指标变量在不同时间进行观察所得到的结果。 3．时间序列中的数据可以是一个时期内的数据也可能是一个时点上的数据。 4．时间序列通常存在前后时间上的相依性 时间序列的分类 1．按所研究对象的多少，有一元时间序列和多元时间序列。 2．按观察时间的连续与否可将时间序列分为离散时间序列和连续时间序列。 3．按时间序列的统计特性分，有平稳时间序列和非平稳时间序列两类。 二、时间序列分析的产生与发展 古埃及人就根据尼罗河泛滥的历史数据，通过绘图观测和数据比较寻找洪灾的规律 19世纪中后叶，德国天文学家施瓦贝（S.H.Schwabe）就采用描述性时间序列分析方法发现了太阳黑子的活动具有11年左右的周期 20世纪20年代英国统计学家尤尔引进了自回归和序列相关等重要概念，提出了用线性自回归方程 。英国科学家沃克将序列相关分析方法运用于研究气象领域的厄尔尼诺-南半球摆动(ENSO)现象，并在Yule分析方法的基础上研究了衰减正弦的时间序列，得出了著名的Yule-Walker方程，奠定了时间序列分析的基础。 20世纪60年代,时间序列分析的理论和应用不断发展。1970年，统计学家G.E.P.Box和G.M.Jenkins在梳理、发展已有研究成果的基础上，联合出版了《时间序列分析：预测和控制》一书 。 20世纪70年代以后，时间序列分析的发展朝两个方向推进，一是为了分析两个或几个平稳时间序列之间的相互关系而建立起向量自回归（VAR）建模方法；二是为了分析非平稳时间序列而建立起自回归条件异方差（ARCH）模型、协整（Cointegration）与误差校正（ECM）模型。 三、时间序列分析与经济预测 对经济现象进行预测的依据 一是经济系统结构的连贯性。经济系统内经济变量间存在结构关系，而且这种结构关系在短期内是相对稳定的，即存在结构的连贯性。 另一种连贯性是经济变量变化在时间上的贯性。 上述两点是经济预测中的主要依据。前者是依据因果关系进行预测，这主要属于计量经济分析的范畴；后者则属于时间序列分析的范畴。 四、时间序列分析与计量经济学的关系 在建模思想方面，计量经济学是“理论驱动型”的，而时间序列分析是“数据驱动型”的。 在使用样本数据方面，计量经济分析既可以使用截面数据又可以使用时间序列数据，而时间序列分析面对的数据只能是时间序列数据。 在研究经济现象方面，经典的计量经济方法主要研究多变量之间的关系，而经典的时间序列分析方法是研究单变量自身动态规律 。 第二节 时间序列分析的一些基本概念 一、随机过程 定义：若对于每一特定的t（t∈T，T为一参数指标集），Yt为一随机变量，则称这一族随机变量｛Yt｝为一个随机过程。 参数指标集T可以是离散集，也可以是连续集。若T为一连续集，则｛Yt｝为一连续型随机过程。若T为离散集合，如T＝（0，1，2，……）或T＝（……，-2，-1，0，1，2，……），则｛Yt｝为离散型随机过程，也称为随机序列。由于参数指标集T通常为时间，所以我们一般将具有离散型时间指标集的随机序列称为时间序列。也就是说，时间序列是一类比较特殊的随机过程。 时间序列是一类特殊的随机过程，因此要认识时间序列的统计特性，也需要取得时间序列的“样本”。在经济分析中常用的时间序列数据都是经济变量随机序列的一个实现（或样本路径）。 二、随机过程的分布及其特征 3. 自协方差函数 三、几种重要的随机过程 1. 白噪声过程 2. 正态过程 若随机过程｛Yt｝的有限维分布都是正态分布，则称｛Yt｝为正态过程，有时也称为高斯过程。 3. 独立增量过程 设｛Yt｝为随机过程，若对任意n及ti∈T， i=1，2，…，n， t1＜t2＜…t2＜tn，随机变量 相互独立，则称｛Yt｝为独立增量过程。 设｛Yt｝为随机过程（t≥0），若｛Yt｝满足如下条件： Y0=0， ｛Yt｝为独立增量过程， 对任意0≤s≤t，Yt-Ys服从正态分布. 则称｛Yt｝为维纳过程（也称为布朗运动过程）。