第十一章时间序列分析(计量经济学-北京大学,岳昌君)概要.ppt

第十一章：时间序列分析初步 内容提要 向量自回归（VAR）模型 格兰杰（Granger）因果检验 单位根检验 协整检验 VAR模型介绍 向量自回归的理念 联立方程的不足： 把一些变量看成是内生的，另一些变量看作是外生的或前定的。 估计前必须肯定方程组中的方程是可识别的。为了达到识别的目的，常常要假定某些前定变量仅出现在某些方程中，因此，往往是主观的。 VAR：如果在一组变量之中有真实的联立性，那么这些变量就应平等地加以对待，而不应该事先区分内生和外生变量。 VAR模型的矩阵表示 VAR模型的矩阵表示 Yi是内生变量，有m个； Xj为外生变量，有n个； 内生变量的滞后期为p期； 外生变量的滞后期为r期； a和b是参数， u是随机扰动项。 无外生变量的VAR模型 例子：GDP与进出口总额的关系 1978年-2004年 滞后3期 在Eviews统计软件的应用 在主菜单中选择Quick/Estimate VAR 或者在主窗口命令行输入var 在变量滞后区间（lag intervals）中给出每个内生变量的滞后阶数 格兰杰（Granger）因果检验 格兰杰检验的理念 问：两个变量之间在时间上有先导－滞后关系，我们能不能从统计上侦破其因果导向呢？ 格兰杰检验的回归方程 两个变量之间的四种关系 从X到Y的单向因果关系 （α不全为0；δ全为0）； 从Y到X的单向因果关系 （ δ 不全为0； α全为0）； X与Y之间存在双向的因果关系； X与Y两个变量是独立的，不存在因果关系。 格兰杰检验中存在的问题 因果方向和所含滞后项的个数可能有重要的关系！！！ 戴维斯和麦金农的建议：滞后期数宁多无少！ 例子：GDP与进出口之间的因果关系 检验GDP与进出口之间谁是因？谁是果？ 在Eviews统计软件的应用 选择两个变量，如lgdp和ltrade以group的形式打开：open/as group 在view菜单中主菜单中选择格兰杰检验：view/Granger Causality 选择滞后期，稍大一些 检验结果 单位根检验 谬误回归 谬误回归（Spurious regression） 当用一个时间序列对另一个时间序列做回归时，虽然两者之间并无任何意义的关系，但是常常会得到一个很高的R2值。这只是因为两个时间变量都显示出强劲的趋势，而不是由于两者之间的真实关系。这样的回归结果就是谬误的。 如果时间序列是非平稳的，就有可能出现谬误回归。 如果时间序列是平稳的，那么是可以用OLS做回归的。 问：什么是平稳的？ 随机过程 任何时间序列数据都可以把它看作由一个随机过程（stochastic or random process）产生的结果。 一个具体的数据集可视为随机过程的一个（特殊的）实现（realization）（也就是一个样本）。 随机过程和它的一个实现之间的区别可类比于横截面数据中总体和样本之间的区别。 平稳随机过程(stationary stochastic process) 如果一个随机时间序列Yt满足以下性质，则Yt是平稳的（弱平稳）： 均值： E(Yt) = ? (常数) 方差： var(Yt) = ?2 (常数) 协方差：?k= E[(Yt -?) (Yt+k -?) ] (只与间隔有关) 一个时间序列不是平稳的，就称为非平稳时间序列； 平稳时间序列 平稳性的解释： 指时间序列的统计规律不随时间的推移而发生变化。 直观上，一个平稳的时间序列可以看作是一条围绕其均值上下波动的曲线。 有时，不平稳性也许是由于均值起了变化。 平稳性分强平稳和弱平稳，本课程只介绍弱平稳 非平稳性 所谓时间序列的非平稳性，是指时间序列的统计规律随着时间的位移而发生变化，即生成变量时间序列的随机过程的特征随着时间而变化。 实际中，只有极少数时间数据是平稳的。 平稳时间序列的检验方法 自相关函数检验（略） 样本相关图的特点如果是：从很高的值开始，非常缓慢地下降，一般来说这个时间序列是非平稳的。 单位根检验 白噪声序列（white noise） 如果随机序列ut是遵从零均值、同方差、无自相关，则称之为白噪声序列。 均值： E(ut ) = 0 方差： var(ut ) = ?2 协方差：E[(ui -0) (uj -0) ]=0 (i与j不相等) 单位根检验 具有趋势特征的经济变量受到冲击后的两种表现： 逐渐回到原趋势，冲击的影响渐渐消失； 不回到原趋势，呈现随机游走状态，影响具有持久性。这时若用最小二乘法，将得到伪回归。 例如：GDP 随机游走 Yt=Yt-1+