时序回归的动态检验 计量经济学 EVIEWS建模课件教材课程.pptxVIP

§5.3 时序回归分析的检验;一、时序数据回归中存在的问题;随机解释变量作为干扰，应该是白噪声序列，这完全符合回归分析的基本假设。但是当解释变量不是白噪声时，就不能如干扰模型那样，使用简单的回归方法求解了。这时，我们有必要将其看作是平稳的ARMA 过程，而考虑使用传递函数来求解模型。 如果能够正确估计和设定解释变量的自相关阶数和干扰的作用期限，则其残差必将服从白噪声。所以对残差的白噪声检验很重要。;由于时间序列经常出现非平稳现象，很容易产生伪回归问题。 本节是在平稳的假设下来学习的，为了消除时序固有的趋势性等非平稳特征，我们建议在模型中都要引入时间变量。 有关非平稳时序的更复杂的情况，将在以后的章节中介绍。;　　将被解释变量自身发展变化趋势，看作是时间作用的结果时，即时间作为解释变量就叫做时间变量，或叫趋势变量。一般以t为自然数来表示，也可以让∑t=0，用正负整数两表示。 　如：t=1,2,3,…,n,…,∞ 　　　t=-∞,…,-n,…,-3,-2,-1,0,1,2,3,…,n,…,∞ 　　　t=-∞,…,-m,…,-5,-3,-1,1,3,5,…,m,…,∞ 在Eviews中的@TREND(d)函数可生成一个以d期为零的时序趋势变量或观察值次序变量。;模型中产生滞后效应的原因主要有： ⑴ 心理因素：人们的心理定势，行为方式滞后于经济形势的变化，如中彩票的人不可能很快改变其生活方式。 ⑵ 技术原因：如当年的产出在某种程度上依赖于过去若干期内投资形成的固定资产。 ⑶ 制度原因：如定期存款到期才能提取，造成了它对社会购买力的影响具有滞后性。;⒉滞后变量模型的分类; ∑βj称为长期(long-run)或均衡乘数(total distributed-lag multiplier)，表示X变动一个单位，由于滞后效应而形成的对Y平均值总影响的大小。 如果各期的X值保持不变，则X与Y间的长期或均衡关系即为:; 分布滞后模型的滞后期很难确定，所以其OLS估计也是很困难的：首先，对无限期的分布滞后模型，由于样本观测值的有限性，使得无法直接对其进行估计；其次，对有限期的分布滞后模型，OLS会遇到如下问题：第一，没有先验准则确定滞后期长度；第二，如果滞后期较长，将缺乏足够的自由度进行估计和检验；第三，同名变量滞后值之间可能存在高度线性相关，即模型存在高度的多重共线性。;㈢ 时序回归模型的估算;估计该方程时要从可行的p和n的最大值开始，利用F和T检验剔除不必要的系数；同时可以利用AIC和SBC寻找最优滞后长度；在确保残差的白噪声的同时，使模型简化。 这种估计方法虽然简单，但易产生参数过度的ARMA模型。当然要尽量以AR来简化ARMA过程。;二、对平稳时序回归模型的检验;㈠ 动态模型的解释变量及其滞后检验; 这两准则均要求仅当所增加的解释变量能够减少AIC值或SC值时才在原模型中增加该解释变量。 ;⒊马娄斯的Cp检验准则(C.P. Mallows);建立模型时往往希望模型的参数是稳定的，即所谓的结构不变，这将提高模型的预测与分析功能。如何检验？ 假设需要建立的模型为： Y=β0+β1X1+β2X2+…+βkXk+εt 将原时序分为两个连续的时间序列(1~n1)与(n1+1,…,n1+n2)，相应的模型分别为： Y1=β10+β11X11+β12X12+…+β1kX1k+ε1t Y2=β20+β21X21+β22X22+…+β2kX2k+ε2t;合并的时序模型(即t=1,2,…,n2 )，视为无约束的回归模型，则其可写成矩阵式如下： ⑴ 如果β1=β2，表示没有发生结构变化，因此可针对如下假设进行检验： H0: β1=β2 对模型⑴式施加该约束后变为受约束模型⑵式： ⑵;记RSS1与RSS2为模型⑴在两个时间段上分别回归后所得的两个方程的残差平方和，其和为无约束模型的残差平方和，即容易验证: RSSU=RSS1+RSS2 而将模型⑵视为受结束的模型，则其残差平方和记为RSSR。因此，检验的F统计量为： 其检验的步骤如下：;⑴分别以两连续时间序列作为两个样本进行回归，得到相应的残差平方： RSS1与RSS2 ⑵将两序列并为一个大样本后进行回归，得到大样本下的残差平方和RSSR ⑶计算F统计量的值，与临界值比较： 若F值大于临界值，则拒绝原假设，认为发生了结构变化，参数是非稳定的。该检验也被称为邹氏参数稳定性检验（Chow test for parameter stability）。;上述参数稳定性检验要求n2k+1。如果出现n2k+1 ，则只能进行邹氏预测检验（Chow test for predictive failure）。邹氏预测检验的基本思想：先用前一时间段n1个样本估计原