[经济学]计量经济学课件1.pptVIP

6. 时间序列计量经济学 6.1 时间序列数据的性质 6.2 时间序列回归模型的类型 6.3 趋势和季节性 6.4 平稳性和弱相依时间序列 6.5 事件研究法 主要参考书：J. M.伍德里奇：《计量经济学导论—现代观点》，中国人民大学出版社（以下引用简称JM） 张雪莹、金德环：《金融计量学教程》，上海财经大学出版社。 6.1 时间序列数据的性质 （与横截面数据的区别） 1. 时间序列数据是按照时间排列顺序的。 如：商品价格数据、通货膨胀数据 2. 横截面数据的样本是随机地从适当的总体中抽出，时间序列数据是随机地从适当的总体时间（段）中抽出。 标注有时间的一个随机变量序列被正式地称作随机过程(stochastic process)或者时间序列过程。 6.2 时间序列回归模型的类型 1. 静态模型 2. 有限分布滞后模型 3. 自回归过程 1. 静态模型 假设有二个变量y和z的时间序列数据，并对yt和zt相同的时间。把y和z联系起来的一个静态模型为： yt = β0+ β1zt + μt t = 1,2,…,n （1） （1）式反映z在时间t的一个变化对y有立即的影响。如，静态菲利普斯曲线（static Phillips curve)，表示为： inft = β0+ β1unemt + μt Inft为年通货膨胀率；unemt为失业率。 这种形式的菲利普斯曲线实际上假定了一个不变的自然失业率和固定的通货膨胀预期。 2. 有限分布滞后模型 在有限分布滞后模型中[finite distributed lag (FDL) model]中，允许一个或多个变量对y的影响有一定时滞。 如：gfrt = α0+ β0pet + β1pet-1 + β2pet -2+ μt gfr为生育率；pe为个人税收豁免的实际美元金额。 式中， β0称为短期或冲击乘数或即期倾向，表示pe同期单位变化所引起gfr的平均变化量。 β0 +β1 +β2称为长期乘数或长期倾向。 3. 自回归过程 一阶自回归过程 [autoregressive process of order one, AR(1)] yt =ρ1yt-1+ et t = 1, 2, … 序列的初始点是y0(t=0)，{et ：t = 1, 2, …}是均值为0，方差为σ2的独立同分布的序列， et独立于y0且E(y0)=0。 6.3 趋势和季节性 1. 有趋势的时间序列 很多经济方面的时间序列随着时间有上升的一般趋势，在对二个时间序列数据作出因果推断的过程中，忽略二个序列按相同或相反的趋势发展可能会导致错误的结论，认为一个变量的变化由另一个变量的变化引起。 在很多情况下，二个时间序列过程表现出相关性，仅仅是因为二者都由于未被观测到的因素的作用而具有某种趋势的缘故，即产生谬误回归(spurious regression)。 2. 描述有趋势序列的模型 (1) 线性时间趋势 yt = α0 +α1t + et t = 1, 2, … {et ：t = 1, 2, …}是均值为0，方差为σ2的独立同分布的序列。 在其他因素（被包括在et中）不变时， α1度量了由于时间的流逝yt从一个时期到下一个时期的变化： 当△et=0时，有 △yt = yt - yt-1 = α1 (2) 指数趋势(exponential trend) 当一个序列从一个时期到另一个时期的平均增长率为恒定时，它就服从指数趋势。在实践中，时间序列中的指数趋势可以通过建立有线性趋势的自然对数模型得到 （假设yt 0): log(yt) = β0+β1t + et t = 1, 2, … 对于很小的变化，△ log(yt) = log(yt) - log(yt-1) 近似等于yt变化的比例： △ log(yt) ≈(yt - yt-1)/yt-1 = β1 β1近似地等于yt各期增长率的平均值。例如，β1 = 0.025表示yt以平均每年2.5%的速度增长。 （3）在回归分析中使用趋势变量 例1、房产投资与价格关系的回归结果 （JM P.322) Inv代表实际人均房产投资，price代表房产价格指数，对美国1947-1988年房产投资和房产价格指数的观测结果。 1. 不考虑趋势性的回归结果 log(inv) = - 0.550 + 1.241log(price) (0.043) (0.382) n = 42，adj.R2 = 0.189 2. 增加一个时间趋势（去趋势处理）的回归结果 log(inv) = - 0.913 – 0.381log(price) + 0.0098t