食品物料输送机械PPT.ppt

由于该序列由一随机过程生成，可以认为不存在序列相关性，因此该序列为一白噪声。 根据Bartlett的理论：?k~N(0,1/19)，因此任一rk(k0)的95%的置信区间都将是: 可以看出:k0时，rk的值确实落在了该区间内，因此可以接受? k(k0)为0的假设。 同样地，从QLB统计量的计算值看，滞后17期的计算值为26.38，未超过5%显著性水平的临界值27.58，因此,可以接受所有的自相关系数?k(k0)都为0的假设。 因此，该随机过程是一个平稳过程。 序列Random2是由一随机游走过程 Xt=Xt-1+?t 生成的一随机游走时间序列样本。其中，第0项取值为0， ?t是由Random1表示的白噪声。 图形表示出：该序列具有相同的均值，但从样本自相关图看，虽然自相关系数迅速下降到0，但随着时间的推移，则在0附近波动且呈发散趋势。 样本自相关系数显示：r1=0.48，落在了区间[-0.4497, 0.4497]之外，因此在5%的显著性水平上拒绝?1的真值为0的假设。 该随机游走序列是非平稳的。 例9.1.4 检验中国支出法GDP时间序列的平稳性。 表9.1.2 1978~2000年中国支出法GDP（单位：亿元）  图形：表现出了一个持续上升的过程，可初步判断是非平稳的。 样本自相关系数：缓慢下降，再次表明它的非平稳性。 从滞后18期的QLB统计量看： QLB(18)=57.1828.86=?20.05 拒绝：该时间序列的自相关系数在滞后1期之后的值全部为0的假设。 结论: 1978—2000年间中国GDP时间序列是非平稳序列。 例9.1.5 检验§2.10中关于人均居民消费与人均国内生产总值这两时间序列的平稳性。 原图 样本自相关图 从图形上看：人均居民消费（CPC）与人均国内生产总值（GDPPC）是非平稳的。 从滞后14期的QLB统计量看：CPC与GDPPC序列的统计量计算值均为57.18，超过了显著性水平为5%时的临界值23.68。再次表明它们的非平稳性。 就此来说，运用传统的回归方法建立它们的回归方程是无实际意义的。 不过，§9.3中将看到，如果两个非平稳时间序列是协整的，则传统的回归结果却是有意义的，而这两时间序列恰是协整的。 The End 第九章时间序列计量经济学模型 时间序列的平稳性及其检验 随机时间序列分析模型 协整分析与误差修正模型 §9.1 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 依概率收敛： (2) 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： 第（1）条是OLS估计的需要 ▲如果X是非平稳数据（如表现出向上的趋势），则（2）不成立，回归估计量不满足“一致性”，基于大样本的统计推断也就遇到麻烦。 因此： 注意：在双变量模型中： 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。 ⒊ 数据非平稳，往往导致出现“虚假回归”问题 在现实经济生活中，实际的时间序列数据往往是非平稳的，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。 时间序列分析已组成现代计量经济学的重要内容，并广泛应用于经