高级计量经济学时间序列分析推荐.ppt

协整 协整只涉及非平稳变量的线性组合； 协整只涉及阶数相同的单整变量； 同阶单整变量之间不一定存在协整 同阶单整变量之间的协整可能涉及两个以上序列 如果X中有n个非平稳序列，则有n-1个线性独立的协整向量； 大多数关于协整的研究针对的是一阶单整变量。 现实经济数据多数亦为一阶单整 * 单位根检验 在实际工作中常遇到的非平稳序列有三种形式： 相应的数据生成过程均可以表示为 ，即具有单位根的方程。 对三种形式需要用不同的方法转变为平稳序列。 由于事先并不清楚序列实际属于何种情况，选择错误的处理方式不一定解决问题，这要求采用具有一般性的方法。 * 单位根检验 将三种情况组合在一起有： 引入人工添加的系数γ并对方程两边做差分得到： 依据该式可以对时间序列的单位根做多种形式的检验。 γ=1时，序列为带位移的随机游走，宜采用差分方式处理； γ1时，序列含有趋势，宜采用消除趋势的处理。 * 单位根检验 考虑AR(1)过程yt = a + ryt-1 + et 虚假设： H0: r = 1 (假定存在一个单位根)。 定义? = r – 1，从方程两边减去yt-1 得到 Dyt = a + ? yt-1 + et 由于所涉及的时间序列是一个I(1) 过程，直接用与?对应的t统计值做检验是不合适的。 此时报告的t统计值是正确的，但相应的概率p是错误的。 Dickey-Fuller检验利用估计上述方程得到的?的t统计值，但使用不同的临界值。 EVIEWS分别报告显著性水平为1%、5%和10%时的临界值。 * 单位根检验 可以增加Dyt 的p期滞后，以反映更复杂的动态过程，此时涉及到AR(p)模型。 类似AR(1)模型，我们不能直接利用估计AR(p)模型得到的?的t统计值来判断是否应接受?=0。 此时应采用ADF检验(augmented Dickey-Fuller test)，其使用的临界值同一期滞后的情况。 当t值大于临界值时，拒绝有单位根的虚假设。 使用滞后项的目的是清除任何可能的序列相关，因而若滞后期过短，检验结果可能不正确。 借助于AIC等信息标准和对模型误差项的统计检验确定滞后期 * 检验有趋势的单位根 如果一个序列表现出明显的趋势，那么我们需要调整序列，否则会错误地将趋势平稳序列当作有单位根的序列。 这种调整可以通过在模型中增加一个时间趋势变量来实现。 此时的单位根检验仍利用估计参数?的t统计值，但Dickey-Fuller检验的临界值发生变化。 * 时间序列分析(Time Series Analysis) 一些研究（如Nelson, 1972；Ashley, 1987)发现，简单的时间序列模型常常能够比复杂的联立方程组模型更好地预测宏观经济发展。 时间序列模型在上世纪80年代后期得到快速发展。 从方法学角度看，时间序列分析主要基于统计学，而不是经济学； 时间序列模型更适用于做短期预测，即统计序列过去的演变模式尚未发生根本变化的期间； 长期预测更应该建立在经济行为基础之上。 在学位论文研究中是否适合使用此方法？ * 时间序列分析模型 时间序列模型可以分为： 一元时间序列模型(Univariate time series models) 仅分析一个时间序列自身的演变模式 不涉及任何因果关系 多元时间序列模型(Multivariate time series models) 分析多个时间序列共同的演变模式 这种共同的演变过程可以具有因果含义 * 一元时间序列模型 一元时间序列模型是利用单一时间序列的历史值和当前及过去的随机误差项对该变量自身变化前景进行预测的方法。 式中e为独立同分布随机变量，假定其均值为0，方差为?2 。 在应用工作中，习惯上假定e服从正态分布。 * AR、MA和ARMA模型 一元时间序列分析常用的方法 自回归模型（AR）：反映经济变量的当前值与其过去值的关系 移动平均模型（MA）：反映经济变量当前值与当前及过去误差项的关系 两者结合的模型（ARMA） 习惯上用AR(p)、MA(q)或ARMA(p,q)来表示对应的滞后时期。 * Box-Jenkins方法 模型识别 首先对时间序列做消除趋势的处理。 观察样本数据的AC函数和PAC函数，在此基础上就滞后期数做出判断。 用线性或非线性最小二乘法估计模型。 借助于各种信息标准(Akaike, Schwarz,..)和统计检验指标(t, F, Wald..)来支持所做的选择。 检验残差项是否符合随机性要求。 在获得满意的模型后可以将其用于对该序列做(短期)预测。 * AIC和Schwarz信息标准 常用的两种信息标准为： Akaike信息标准 Schwarz信息标准 式中T为样本容量，K为解释变量个数。 两个指标均为越小越好。 *