7、时间序列问题.pptVIP

第七章时间序列模型 第一节 时间序列的平稳性及其检验 第二节 协整分析与误差修正模型 §7.1 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、非平稳变量与经典回归模型 常见的数据类型 到目前为止，经典计量经济模型常用到的数据有： 时间序列数据（time-series data)； 截面数据(cross-sectional data) 平行/面板数据（panel data/time-series cross-section data) ★时间序列数据是最常见，也是最常用到的数据。 例、时间序列（是否能看出规律来？） 1.02, 1.04, 1.97, 3.05, 5.04, 7.93, 12.96 ,20.95 … 1、时间序列模型的基本概念 随机时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Xt=F(Xt-1, Xt-2, …, ?t) 建立具体的时间序列模型，需解决如下三个问题 (1)模型的具体形式; (2)时序变量的滞后期; (3)随机扰动项的结构。 （斐波那契数列：1, 1, 2, 3, 5, 8, 13, … Xt=Xt-1+ Xt-2 ） （Xt=Xt-1+ Xt-2 + ?t,） (1.02, 1.04, 1.97, 3.05, 4.98, 8.01, 12.96 …) 一般的p阶自回归过程AR(p)是 Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*) 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均过程ARMA（p,q）： 经典回归模型的问题： 迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。 然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。 例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？ 或者时间序列显示出循环周期性行为，我们能否利用过去的这种行为来外推它的未来走向？ ●随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。 使用时间序列分析模型的另一个原因在于： 如果经济理论正确地阐释了现实经济结构，则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。 表现在: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(如中国的GDP与新西兰的财政收入)。 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。 时间序列分析模型方法就是在这样的情况下，以通过揭示时间序列自身的变化规律为主线而发展起来的全新的计量经济学方法论。 时间序列分析已组成现代计量经济学的重要内容，并广泛应用于经济分析与预测当中。 二、时间序列数据的平稳性 假定某个时间序列是由某一随机过程生成的，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，而该随机过程是一平稳随机过程。 例9.1.1．一个最简单的随机时间序列是一具有零均值同方差的独