经济数学微积分基本初等函数与初等函数推荐.ppt

函数与极限 一、幂函数(power functions ) 四、初等函数 2)如果?=0，??0，则（*）式成为一带时间趋势的随机变化过程： 　　　 Xt=?+?t+?t 　　　　　　　 （***） 根据?的正负，Xt表现出明显的上升或下降趋势。这种趋势称为确定性趋势（deterministic trend）。 3) 如果?=1，??0，则Xt包含有确定性与随机性两种趋势。 因此： (1)如果检验结果表明所给时间序列有单位根，且时间变量前的参数显著为零，则该序列显示出随机性趋势; (2)如果没有单位根，且时间变量前的参数显著地异于零，则该序列显示出确定性趋势。 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 例如：对式： 　　　　　Xt=?+?t+?t 可通过除去?t变换为： 　　　　　Xt －?t =?+?t 该时间序列是平稳的，因此称为趋势平稳过程（trend stationary process）。 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 一、时间序列模型的基本概念及其适用性 二、随机时间序列模型的平稳性条件 三、随机时间序列模型的识别 四、随机时间序列模型的估计 五、随机时间序列模型的检验 说明 经典计量经济学模型与时间序列模型 确定性时间序列模型与随机性时间序列模型 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 随机时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为: Xt=F(Xt-1, Xt-2, …, ?t) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (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）。 （2）采用科克伦-奥科特迭代法估计? 在Eviews软包下，2阶广义差分的结果为： 可以验证: 仅采用1阶广义差分，变换后的模型仍存在1阶自相关性； 采用3阶广义差分，变换后的模型不再有自相关性，但AR[3]的系数的t值不显著。 一、多重共线性的概念 二、实际经济问题中的多重共线性 三、多重共线性的后果 四、多重共线性的检验 五、克服多重共线性的方法 六、案例 *七、分部回归与多重共线性 一、多重共线性的概念 对于模型 Yi=?0+?1X1i+?2X2i+?+?kXki+?i i=1,2,…,n 其基本假设之一是解释变量是互相独立的。 如果存在 c1X1i+c2X2i+…+ckXki=0 i=1,2,…,n 其中: ci不全为0，则称为解释变量间存在完全共线性（perfect multicollinearity）。 (1)如果随机扰动项是一个白噪声(?t=?t)，则称(*)式为一纯AR(p)过程（pure AR(p) process），记为: Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p +?t 取?=5%，DWdu=1.43 (样本容量24-2=22) 表明：已不存在自相关 于是原模型为： 与OLS估