经济数学微积分求导法则与基本初等函数求导公式PPT.pptVIP

一、和、差、积、商的求导法则;一、函数的和、差、积、商的 求导法则;证(3);推论;例4;例6;二、反函数的求导法则;证;例7;例8;三、复合函数的求导法则;证;推广;例10;例12;四、基本求导法则与求导公式;2.函数的和、差、积、商的求导法则;3.反函数的求导法则;五、小结 思考题;思考题;思考题解答;思考题;思考题解答;练 习 题 一;练习题答案;练 习 题 二;练习题答案; 随机性趋势可通过差分的方法消除 例如：对式：　 　　　　　　Xt=?+Xt-1+?t 可通过差分变换为： ?Xt= ?+?t 该时间序列称为差分平稳过程（difference stationary process）；;　确定性趋势无法通过差分的方法消除，而只能通过除去趋势项消除; 最后需要说明的是，趋势平稳过程代表了一个时间序列长期稳定的变化过程，因而用于进行长期预测则是更为可靠的。 ;§9.2 随机时间序列分析模型;说明;一、时间序列模型的基本概念及其适用性;1、时间序列模型的基本概念; (2)时序变量的滞后期 (3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（ ?t =?t），模型将是一个1阶自回归过程AR(1)： Xt=?Xt-1+ ?t，这里， ?t特指一白噪声。 ; 一般的p阶自回归过程AR(p)是 Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*);(2)如果?t不是一个白噪声，通常认为它是一个q阶的移动平均（moving average）过程MA(q)： ?t=?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q 该式给出了一个纯MA(q)过程（pure MA(p) process）。 ; 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p,q）： ;（2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。 这也正是随机时间序列分析模型的优势所在。;经典回归模型的问题： 迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。 ; 然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。 ; 有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。 ; 例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？ 或者时间序列显示出循环周期性行为，我们能否利用过去的这种行为来外推它的未来走向？;随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。 使用时间序列分析模型的另一个原因在于：如果经济理论正确地阐释了现实经济结构，则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。 ; 例如，对于如下最简单的宏观经济模型：;上述模型可作变形如下：; 如果It是一个白噪声，则消费序列Ct就成为一个1阶自回归过程AR(1)，而收入序列Yt就成为一个(1,1)阶的自回归移动平均过程ARMA(1,1)。 ;二、随机时间序列模型的平稳性条件; 自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。 关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。; 随机时间序列模型的平稳性，可通过它所生成的随机时间序列的平稳性来判断。如果一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的。 否则，就说该AR(p)模型是非平稳的。; 考虑p阶自回归模型AR(p)