时间序列模型的特征.pptVIP

第五章 时间序列计量经济学模型的理论与方法 第一节 随机时间序列的特征 第二节 随机时间序列分析模型 第三节 协整分析与误差修正模型 §5.1 随机时间序列的特征 一、随机时间序列模型简介 二、刻画时间序列的自相关函数 三、时间序列平稳性的检验 四、趋势平稳与差分平稳随机过程 一、随机时间序列模型简介 1. 时间序列过程 规范地，一个标有时间脚标的随机变量序列被称为一个随机过程(Stochastic process)或时间序列过程(time series process)。 当搜集到一个时间序列数据集时，就得到该随机过程的一个可能结果或实现(realization)。 该时间序列所有可能的实现集，相当于横截面分析中的总体。 样本容量就是我们观察的时期数。 2. 白噪声和随机游走 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： Yt = Yt-1 + ?t 这里，?t 是一个白噪声。 3. 平稳和非平稳时间序列 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，大样本下的统计推断基础——“一致性”要求——被破怀。 经典回归分析的假设之一：解释变量X是非随机变量 放宽该假设：X是随机变量，则需进一步假定： X与随机扰动项 ? 不相关∶Cov(X,?) = 0 任一随机时间按序列Y1,Y2,…,YT 都可以被认为是由一组联合分布随机变量生成，即Y1,Y2,…,YT代表一个联合概率分布函数 的某一特定结果。那么，一个未来的观测Yt+1可以认为是由条件概率分布函数 生成，即 是给定过去观测值Y1,Y2,…,YT下的Yt+1的概率分布。定义平稳过程为其联合分布和条件分布均不随时间而变化的过程。即如果Yt是平稳，则对任意的t，k和m，都有： 如果时间序列Yt 满足： 1）均值E(Yt)=? 是与时间t 无关的常数； 2）方差Var(Yt)=?2是与时间t 无关的常数； 3）协方差Cov(Yt,Yt+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）。 问题： 白噪声过程是否平稳？ 随机游走过程是否平稳？ 如果Yt 是随机游走过程，对Yt 取一阶差分(first difference): ?Yt =Yt ?Yt-1= ?t 由于?t 是一个白噪声，则序列?Yt 是平稳的。 如果Yt 是一阶齐次非平稳过程，则序列: Wt =Yt ?Yt-1= ?Yt 就是平稳的。 如果Yt 是二阶齐次非平稳过程，则序列： Wt = ?Yt ? ?Yt-1= ?2Yt 就是平稳的。 只有当-1 ? 1时，该随机过程才是平稳的。 定义序列Yt 的滞后期为k的自相关系数为： 如果对所有的k 0，序列的自相关函数为0或近似为0，则没有必要建模预测该序列。 1. 平稳性检验的图示判断 给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。 一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程； 而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。 平稳时间序列与非平稳时间序列图 进一步的判断: 检验样本自相关函数及其图形。 平稳时间序列与非平稳时间序列样本自相关函数图 注意: 例1，序列Random1是通过一随机过程（随机函数）生成的有19个样本的随机时间序列。 由于该序列由一随机过程生成，可以认为不存在序列相关性，因此该序列为一白噪声。 根据Bartlett的理论：?k ~N(0,1/19) 因此任一ρk (k 0)的95%的置信区间都将是： 例2，序列Random2是由随机游走过程Yt =Yt-1+ ?t 生成的一随机游走时间序列样本。其中，第0项取值为0，?t 是由Random1表示的白噪声。 样本自相关系数显示： ?1=0.48，落在了区间[-0.4497, 0.4497] 之外，因此在5%的显著性水平上拒绝?1的真值为0的假设。 该随机游走序列是非平稳的。 图形：表现出了一个持续上升的过程，可初步判断是非平稳的。 样本自相关系数：缓慢下降，再次表明它是非平稳的。 所以，拒绝该时间序列的自相