第十章(一)伪回归和单位根检验概要.ppt

因此，针对式 ?Xt=?+?Xt-1+?t 我们关心的检验为：零假设 H0：?=0。 上述检验可通过OLS法下的t检验完成。 然而，在零假设（序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。 Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为?统计量），即DF分布（见表10.1.3）。 由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。 因此，可通过OLS法估计 ?Xt=?+?Xt-1+?t 并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较： 如果：t临界值，则拒绝零假设H0：? =0， 认为时间序列不存在单位根，是平稳的； 如果：t临界值，则接受零假设，序列存在单位根。 序列非平稳。 表10.1.3 DF检验临界值表 第十章时间序列计量经济模型 第一节 时间序列的平稳性及单位根检验 第二节 随机时间序列模型的识别和估计 第三节 时间序列的协整与误差修正模型 §10.1 时间序列的平稳性及其检验 一、问题的引出：非平稳变量与经典回归模型 二、时间序列数据的平稳性 三、平稳性的图示判断 四、平稳性的单位根检验 五、单整、趋势平稳与差分平稳随机过程 一、问题的引出：非平稳变量与经典回归模型 1.经典回归模型与数据的平稳性 经典回归分析暗含着一个重要假设：数据是平稳的。 数据非平稳的后果：高斯-马尔科夫定理不再成立，可能导致为回归问题，前面介绍的计量经济技术将遇到困难。 伪回归:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R2)： 例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 在现实经济生活中： 情况往往是实际的时间序列数据是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。 2. 伪回归或“虚假回归”问题 二、时间序列数据的平稳性 所谓时间序列的平稳性，是指时间序列的统计规律不会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做一条围绕其均值上下波动的曲线。 只有序列平稳时，之前的经典建模方法和检验过程才能采用。 时间序列的平稳性概念： 假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列{Xt}（t=1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件： 1）均值E(Xt)=?是与时间t 无关的常数； 2）方差Var(Xt)=?2是与时间t 无关的常数； 3）协方差Cov(Xt,Xt+k)=?k 是只与时期间隔k有关，与时间t 无关的常数； 则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）。 时间序列的平稳性概念： 例10.1.1．一个最简单的随机时间序列是一具有零均值同方差的独立分布序列： Xt=?t ， ?t~N(0,?2) 例10.1.2．另一个简单的随机时间列序被称为随机游走（random walk），该序列由如下随机过程生成： Xt=Xt-1+?t 这里， ?t是一个白噪声。 该序列常被称为是一个白噪声（white noise）。 由于Xt具有相同的均值与方差，且协方差为零,由定义,一个白噪声序列是平稳的。 为了检验该序列是否具有相同的方差，可假设Xt的初值为X0，则易知 X1=X0+?1 X2=X1+?2=X0+?1+?2 … … Xt=X0+?1+?2+…+?t 由于X0为常数，?t是一个白噪声，因此Var(Xt)=t?2 即Xt的方差与时间t有关而非常数，它是一非平稳序列。 容易知道该序列有相同的均值：E(Xt)=E(Xt-1) 然而，对X取一阶差分（first difference）: ?Xt=Xt-Xt-1=?t 由于?t是一个白噪声，则序列{Xt}是平稳的。 后面将会看到:如果一个时间序列是非平稳的，它常常可通过取差分的方法而形成平稳序列。 事实上，随机游走过程是下面我们称之为1阶自回归AR(1)