第十章时间序列 时间序列计量经济学模型的理论与方法.pptVIP

内容回顾：;第十章时间序列计量经济学模型的理论与方法;第一节 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;⒈常见的数据类型;⒉经典回归模型与数据的平稳性; 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。 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。;二、时间序列数据的平稳性; 时间序列分析中首先遇到的问题是关于时间序列数据的平稳性问题。; 例：一个最简单的随机时间序列是一具有零均值同方差的独立分布序列： Xt=?t ， ?t~N(0,?2) ;三、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）。 ;;四、平稳性的单位根检验; ;也就是说，我们对式 Xt=?Xt-1+?t （*）  做回归，如果确实发现?=1，就说随机变量Xt有一个单位根。 ; 一般地:;因此，针对式 ?Xt=?+?Xt-1+?t 我们关心的检验为：零假设 H0：?=0。 备择假设 H1：?0; 因此，可通过OLS法估计 ?Xt=?+?Xt-1+?t 并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较： ?= ? -1 如果：t临界值，则拒绝零假设H0：? =0，认为时间序列不存在单位根，是平稳的。(注意：此时运用的是T左尾单侧检验，所以与正常的T检验判断相反！）;注意：在不同的教科书上有不同的描述，但是结果是相同的。 例如：“如果计算得到的t统计量的绝对值大于临界值的绝对值，则拒绝? =0”的原假设，原序列??存在单位根，为平稳序列。; 进一步的问题：在上述使用 ?Xt=?+?Xt-1+?t 对时间序列进行平稳性检验中，实际上假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的。 但在实际检验中，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，这样用OLS法进行估计均会表现出随机误差项出现自相关（autocorrelation），导致DF检验无效。此时需将因变量自回归项加入模型。 另外，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致上述检验中的自相关随机误差项问题。 为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller ）检验。;ADF检验是通过下面三个模型完成的：; 实际检验时从模型3开始，然后模型2、模型1。;五、单整、趋势平稳与差分平稳随机过程; ; 一般地，如果一个时间序列经过d次差分后变成平稳序列，则称原序列是d 阶单整（integrated of d）序列，记为I(d)。 显然，I(0)代表一平稳时间序列。现实经济生活中: 1)只有少数经济指标的时间序列表现为平稳的，如利率等; 2)大多数指标的时间序列是非平稳的，如一些价格指数常常是2阶单整的，以不变价格表示的消费额、收入等常表现为1阶单整。 但也有一些时间序列，无论经过多少次差分，都不能变为平稳的。这种序列被称为非单整的（non-integrated）。;平稳;第二节 随机时间序列分析模型;一、时间序列模型的基本概念及其适用性;1、时间序列模型的基本概念; 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（autoregressive moving average）过程ARMA（p,q）： ;变量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，此时找不到数据，或者非常困难。 对某些解释变量未来值的预测本身非常困难：建立结构式模型仍然