计量经济分析方法与建模课件第二版第05章时间序列模型幻灯片.pptVIP

* 从短期看，被解释变量的变动是由较稳定的长期趋势和短期波动所决定的，短期内系统对于均衡状态的偏离程度的大小直接导致波动振幅的大小。 从长期看，协整关系式起到引力线的作用，将非均衡状态拉回到均衡状态。 * 例5.8用ADF单位根检验得到结论：GDP序列是2阶单整序列，即GDP ～ I (2)。但是检验得到GDP的对数序列ln(GDP)是1阶单整序列，所以本例建立Δln(GDP)序列的ARIMA模型。首先观察Δln(GDP)序列的相关图（图5.10）。 例5.9 建立中国GDP的ARIMA模型 图5.10 Δln(GDP) 序列的相关图 * Δln(GDP)序列的自相关系数和偏自相关系数都在1阶截尾，则取模型的阶数 p =1 和q =1，建立ARIMA(1,1,1) 模型(时间期间：1978～2004年，2005和2006年实际数据不参加建模，留作检验）： * Δln(GDPt) = 0.9Δln(GDPt-1) + + 0.76 t = (8.98) (5.49) R2 = 0.54 D.W= 2.2 图5.11 Δln(GDP) 序列的ARIMA(1,1,1)模型残差的相关图 从图5.11的相关图中可以看出模型的残差不存在序列相关，并且模型的各项统计量也很好。 * 图5.12是这个模型的拟合和预测（静态）的结果，其中2005年和2006年为预测结果。 图5.12 蓝线是GDP序列的原数据，红线是模型拟合和预测结果 * §5.4 协整和误差修正模型 在前面介绍的ARMA模型中要求经济时间序列是平稳的，但是由于实际应用中大多数时间序列是非平稳的，通常采用差分方法消除序列中含有的非平稳趋势，使得序列平稳化后建立模型，这就是上节介绍的ARIMA模型。但是变换后的序列限制了所讨论经济问题的范围，并且有时变换后的序列由于不具有直接的经济意义，使得化为平稳序列后所建立的时间序列模型不便于解释。 * 1987年Engle和Granger提出的协整理论及其方法，为非平稳序列的建模提供了另一种途径。虽然一些经济变量的本身是非平稳序列，但是，它们的线性组合却有可能是平稳序列。这种平稳的线性组合被称为协整方程，且可解释为变量之间的长期稳定的均衡关系。 例如，消费和收入都是非平稳时间序列，但是具有协整关系。假如它们不具有，那么长期消费就可能比收入高或低，于是消费者便会非理性地消费或累积储蓄。 * 5.4.1 协整关系 假定一些经济指标被某经济系统联系在一起，那么从长远看来这些变量应该具有均衡关系，这是建立和检验模型的基本出发点。在短期内，因为季节影响或随机干扰，这些变量有可能偏离均值。如果这种偏离是暂时的，那么随着时间推移将会回到均衡状态；如果这种偏离是持久的，就不能说这些变量之间存在均衡关系。协整(co-integration)可被看作这种均衡关系性质的统计表示。 协整概念是一个强有力的概念。因为协整允许我们刻画两个或多个序列之间的平衡或平稳关系。对于每一个序列单独来说可能是非平稳的，这些序列的矩，如均值、方差或协方差随时间而变化，而这些时间序列的线性组合序列却可能有不随时间变化的性质。 * 下面给出协整的定义： k 维向量 Y = (y1，y2，…，yk)? 的分量间被称为d,b阶协整，记为Y ～ CI (d，b)，如果满足： (1) y1，y2，…，yk都是 d 阶单整的，即 yi ～I(d)，i=1,2,…,k ，要求 Y 的每个分量 yi ～I (d)； (2) 存在非零向量 ? = (?1, ?2 , …, ?k )，使得 ?? Y～I (d-b)，0b≤d 。 简称 Y 是协整的，向量 ? 又称为协整向量。 * 需要注意的是： (1) 作为对非平稳变量之间关系的描述，协整向量是不惟一的； (2) 协整变量必须具有相同的单整阶数； (3) 最多可能存在 k-1