计量经济分析方法与建模其他回归方法推荐.ppt

为控制ARMA估计初值，在方程定义对话框单击Options。在EViews提供的选项中，ARMA Options有几项设置初值的选择。EViews缺省方法是OLS/TSLS，这种方法先进行没有ARMA项的预备估计，再从这些值开始非线性估计。另一选择是使用OLS或TSLS系数的一部分作为初值。可以选择0.3、0.5、0.8或者可以将所有初值设为零。 用户确定初值选项是User Supplied。在这个选项下，EViews使用系数向量C中的值。为设置初值，双击图标，打开系数向量C窗口，进行编辑。 为适当地设置初值，需对EViews如何为ARMA设置系数多些了解。系数向量C按下列规则为变量安排系数： （1）变量系数，以输入为序； （2）定义的AR项，以输入为序； （3）SAR，MA，SMA系数（按阶数）。 这样，下面两种定义将有同样规格的系数： Y c X ma(2) ma(1) sma(4) ar(1) Y sma(4 ) c ar(1) ma(2) X ma(1) § 5.2.4 ARMA模型的识别 1．利用自相关系数和偏自相关系数识别ARMA(p, q) 模型 在实际研究中，通常的做法是根据经济指标时间序列数据的样本特征，来推断经济指标的总体（真实）特征。在实际研究中，所能获得的只是经济指标时间序列ut 的数据，根据经济指标的样本特征，来推断其总体（真实）特征。下面介绍利用ut 的自相关系数 (AC) 和偏自相关系数 (PAC) 这两个统计量去识别ARMA(p, q) 模型。 通常的，AR(p) 模型的自相关系数是随着滞后阶数k的增加而呈现指数衰减或者震荡式的衰减，具体的衰减形式取决于AR(p) 模型滞后项的系数。因此，可以通过自相关系数来获得一些有关AR(p) 模型的信息，如低阶AR(p) 模型系数符号的信息。如果r1 ? 0 ，意味着序列ut 是一阶自相关。如果rk 随着滞后阶数 k 的增加而呈几何级数减小，表明序列 ut 服从低阶自回归过程。如果 rk 在小的滞后阶数下趋于零，表明序列 ut 服从低阶移动平均过程 如果这种自相关的形式可由滞后小于k阶的自相关表示，那么偏相关在k期滞后下的值趋于零。一个纯的p 阶自回归过程AR(p) 的偏相关系数在p阶截尾，而纯的动平均函数的偏相关过程渐进趋于零。因此，如果我们能求出关于? k , k的估计值，并检验其显著性水平，就能够确定时间序列ut 的自相关的阶数。 其中：?t是均值为0，方差为? 2的白噪声序列，ut的均值为?，则自协方差?k 计算可得 (5.2.27) (5.2.28) 2. MA模型的识别 MA(q)模型 (5.2.26) 进而得到 (5.2.29) 上式表明对MA(q)模型，当 k q 时，rk = 0。ut与ut+k 不相关，这种性质通常称为截尾。即 MA(q) 模型的自相关函数在 q 步以后是截尾的。 MA(q) 的偏自相关系数的具体形式随着 q 的增加变得越来越复杂，很难给出一个关于 q 的一般表达式，但是，一个MA(q) 模型对应于一个AR(∞) 模型。因此，MA(q) 模型的偏自相关系数一定呈现出某种衰减的形式是拖尾的。故可以通过识别一个序列的偏自相关系数的拖尾形式，大致确定它应该服从一个MA(q) 过程。 需要注意的是，输入的ar(1) ar(2) ar(3) 分别代表3个滞后项的系数，因此，如果我们认为扰动项仅仅在滞后2阶和滞后4阶存在自相关，其他滞后项不存在自相关，即 则估计时应输入：cs c gdp cs(-1) ar(2) ar(4) EViews在消除序列相关时给予很大灵活性，可以输入模型中想包括的各个自回归项。例如，如果有季度数据而且想用一个单项来消除季节自回归，可以输入：cs c gdp cs(-1) ar(4)。 例5.3 用AR(p)模型修正回归方程残差序列的自相关（1） 例5.1中检验到美国投资方程的残差序列存在一阶序列相关。这里将采用AR(1)模型来修正投资方程的自相关性： t = 1, 2, ?, T