时间序列数据模型.pptVIP

时间序列数据模型 时间序列数据的平稳性假设与检验 时间序列数据实例 时间序列数据实例 基本概念 随机过程 平稳过程 纯随机过程 非平稳过程 单整变量 随机游走过程 协整 确定性和随机性趋势 单位根检验 随机过程：平稳性 横截面数据：总体与样本 时间序列数据：随机过程与其实现(观测数据) 随机过程的弱平稳性：均值与方差不随时间而改变，其协方差仅依赖于两时期距离，与起点无关 。非平稳时间序列 纯随机过程：白噪声过程 均值为零，方差为常数，且不存在序列相关 非平稳随机过程：随机游走过程 带漂移的随机游走：即不存在常数项或截距项 一阶差分是平稳的 不带漂移的随机游走：即出现常数项或截距项 模拟图 单位根随机过程 趋势平稳随机过程 分析实例 单(整)积随机过程 谬误回归现象 平稳性检验：如何发现时间序列是非平稳的 方法之一：图形分析 散点图 方法之二：自相关函数和相关图 白噪声过程的各阶自相关 随机游走时间序列的相关图 LGDP相关图 自相关系数的统计显著性 滞后长度的选择 单位根检验 单位根检验：DF检验 ADF检验 多于一个系数的显著性检验：F检验 菲利普-佩龙单位根检验 结构变迁的检验 单位根检验的注意事项 非平稳时间序列平稳化 差分平稳过程 非平稳时间序列平稳化 趋势平稳过程 协整分析：一个单位根时间序列对另一个单位根时间序列作回归 协整分析的经济学背景：变量之间长期均衡关系 协整分析：非平稳两个变量的线性组合是平稳的，检验回归残差是否平稳 协整检验：EG与AEG检验 对协整回归估计的残差进行DF或ADF单位根检验 协整与误差校正机制 利用均衡误差项联系短期行为与长期稳定结果 分析实例：美国货币供给 美国与英国货币的汇率 美国CPI 三月期和六月期国债利率协整关系 时间序列分析：预测 自回归协整移动平均ARIMA 向量自回归VAR 金融资产：自回归条件异方差ARCH 经济预测方法 指数平滑法 单方程回归模型：预测误差 联立方程回归模型：以经济理论为基础 自回归协整移动平均ARIMA：“让数据自己说话” 向量自回归VAR：模型中没有外生变量 平稳时间序列数据：AR、MA和ARMA建模 自回归过程：AR(1)、AR(2) 移动平均过程：MA(1)、MA(2) 自回归移动平均过程：ARMA(1,1) 自回归协整移动平均过程：ARIMA(p,d,q) 博克斯-詹金斯方法 阶的识别 自相关函数ACF 偏自相关函数PACF 相关图 诊断检验 预测 向量自回归 为解决联立方程(结构方程)的缺限引入向量自回归 SIMS西姆斯提出VAR模型：不区分内生变量与外生变量 格兰杰因果检验 VAR估计 分析实例 度量金融时间序列中的波动性：ARCH和GARCH模型 度量金融时间序列中的波动性：ARCH和GARCH模型 度量金融时间序列中的波动性：ARCH和GARCH模型 度量金融时间序列中的波动性：ARCH和GARCH模型 一、图形检验法 1、时间序列图检验 根据平稳时间序列均值、方差为常数的特点，可知平稳序列的时间序列图应该围绕其均值随机波动，且波动的范围有界。如果所考察的时间序列的时间序列图具有明显的趋势性或者周期性，那么通常认为该序列是不平稳的。 2、序列自相关函数的图形检验 对于一个时间序列来讲，其样本自相关函数（autocorrelation function, ACF）可表示为： 解：用PP检验得出:序列GDP为2阶单整序列，即GDP～I(2)。观察??GDP的ACF和PACF图，ACF图在滞后2期及2期以后的ACF值都小于临界值（图中虚线所表示的值），可以判断??GDP序列的自相关函数在1阶截尾，而偏自相关函数PACF图在滞后2期及2期以后的ACF值都小于临界值（图中虚线所表示的值），进而可以判断??GDP序列的偏自相关函数在1阶截尾，根据ACF的截尾阶数即为q，PACF的截尾阶数即为P，因此建立的ARIMA(p,d,q)可以初步确定为ARIMA(1,2,1)模型。 方差分解这里主要考察下游相关行业销售收入对钢材销售收入变化的贡献程度。结果如图10所示。从结果可以看出，不考虑钢材行业自身的贡献率，汽车行业销售收入对钢材销售收入的贡献率最大（约40％），其次是机械，然后是家电，最后是建材。 （3）MA(q)模型的ACF和PACF 通过计算证明可知： MA(q)的ACF为截尾序列，即当滞后期kq时，ACF＝0。 MA(p)的PACF为拖尾序列，即无论滞后期k取多大，PACF的计算值均与其1到p阶滞后的自相关函数有关。 所以，若随机序列的自相关函数以q阶截尾，而其偏自相关函数为拖尾，则此序列是移动平均MA(q