非平稳时间序列计量建模技术初步.ppt

第三节 非平稳时间序列计量建模技术初步 二十世纪70年代末以来，以英国计量经济学家Hendry为代表，将理论和数据信息有机结合，提出了一种全新的动态计量经济学模型理论与方法，使经济时间序列模型不再局限于平稳过程的研究。 一、经济时间序列分析与随机过程 我们知道，任意时间t的经济总量指标都受到无数因素的影响，所以它是一个随机变量。 于是，经济运行过程就表现为按时间先后顺序排列的许多这样的随机变量序列。其中，每一个随机变量序列都是一个随机过程。 时间序列数据与随机过程的关系 一般地，任一时间序列数据都是某个随机过程的一个实现。随机过程和它的一个实现（即由它生成的某个时间序列）之间的区别，可以类比于横截面数据中总体和样本之间的区别。正象我们可以由样本数据引出关于总体的推断那样，在时间序列分析中，我们利用随机过程的一个实现（即由它生成的某个时间序列）也可以引出关于其背后的随机过程的推断。 但是，时间序列数据分析和横截面数据分析毕竟是两种不同的分析，仍有显著的区别。比如，在时间序列分析中我们需要推断的是一个随机过程的变化规律、或者几个随机过程的变化规律及其相互之间的结构关系；而在横截面数据分析中，我们需要推断的是几个随机变量之间的结构关系。所以，时间序列分析方法仍有其自身的特殊性和复杂性。 二、平稳随机过程与非平稳随机过程 时间序列分析有两个大的分支，即平稳时间序列分析与非平稳时间序列分析。 前者研究平稳随机过程及其生成的时间序列数据；后者研究非平稳随机过程及其生成的时间序列数据。 （一）平稳随机过程及其生成的时间序列数据 所谓平稳随机过程（Stationary Process），是指一个随机过程的均值和方差在时间过程上都是常数，并且在任何两个时期之间的协方差仅仅依赖于该两个时期间的距离，而不依赖于计算这个协方差的实际时间。 如果用正规的数学语言来表述，则意味着：一个随机过程｛Yt｝是平稳的，它必须满足下列条件： 平稳性是平稳随机过程及其生成的时间序列的一个重要特性，因为它保证了随机过程及其生成的时间序列基本没有结构变动，而这种结构变动将使预测遇到困难或不可能。 对于平稳随机过程的描述，可以建立多种形式的时序模型，如自回归（AR）模型、移动平均（MA）模型、自回归移动平均（ARMA）模型等。它们统称为博克斯—詹金斯（Box-Jenkins）方法，用于刻画各种平稳时序变量的路径。 （二）非平稳随机过程及其生成的时间序列数据 如果随机过程｛Yt｝的均值、方差等统计特征随时间t而改变，则称此随机过程为非平稳过程（Non-Stationary Process）。 一种比较常见的非平稳过程是随机游走（Random Walk）。 对于随机过程｛Yt，t=1，2，3，…｝，如果 通过直接迭代，可以将（3.11）式变形为 传统的时间序列计量经济学通常假设经济数据和产生这些数据的随机过程是平稳的，并在此基础上对计量经济模型中的参数做估计和假设检验。 但是，许多经济指标的时间序列数据并不具有平稳过程的特征。 如我国的M1货币供应量和价格指数等的年度时间序列数据就明显不具有固定的期望值。 对于由非平稳过程生成的时间序列数据，传统的数理统计和计量经济学方法已无能为力（如常规的F检验和t检验失效，引起伪回归等）。 这主要是由于作为推断和检验理论基础的中心极限定理，在涉及非平稳随机变量时已不再适用。 正如随机游走的一阶差分已是一个平稳过程那样，对于许多非平稳的时间序列，通过差分的方式可以转变为平稳的。 事实上，过去人们对于非平稳时间序列正是采用这种差分的方式将其转化为平稳时间序列来研究。 然而，由于水平变量之间的关系往往具有重要的经济意义，以差分变量建立的模型并不能对水平变量之间的关系给予充分的描述，从而达不到检验经济理论或进行经济预测的目的。 自二十世纪70年代以来，人们逐渐认识到了经济数据尤其是宏观经济数据的非平稳性质，并对其进行了比较深入的研究，取得了大量研究成果。 如，直接以非平稳时间序列为重点研究对象的单位根过程及单位根检验、协整理论等便是其主要表现。 如今，平稳过程已不再是时间序列计量经济学研究的唯一对象，非平稳的时间序列也不再是不可涉足的领域。 三、单位根过程 前已指出，如果随机过程｛Yt｝的均值、方差等统计特征随时间t而改变，则此随机过程就是非平稳过程（Non-Stationary Process）。 单位根过程（Unit Root Process）是较随机游走更为一般的非平稳过程。 先看三种情形： （1）随机过程｛Yt，t=1，2，3，…｝称为单位根过程，如果 （3）随机过程｛Yt，t=1，2，3，…｝称为带趋势的非平稳过程，如果 对于以上三种情形，其数据生成过程都可以写