第二章 协整与误差修正模型.doc

第二章 协整与误差修正模型 问题来源： 伪回归问题 误差修正模型的原理 时间序列的类型： 随机性：确定性时间序列，随机时间序列 平稳性：平稳时间序列，非平稳时间序列 相关性：纯随机序列，自相关时间序列 重点研究：非平稳自相关（随机）时间序列 第一节 时间序列的平稳性 讨论平稳性的意义： 1、进一步研究非平稳时间序列之间的协整关系 2、了解数据的生成过程（DGP） 3、了解经济序列变化的内在机制 一、平稳性的概念 定义： （序列的相关性只与间隔有关，与时刻无关） 推论： = 常数 图形特征： （1）在均值周围波动，频繁穿越均值； （2）波动幅度大致相同； （3）自相关系数快速衰减于0（具有短期相关性）。 图1 日元兑美元差分序列 图2 上证综指收益率 平稳时间序列的含义： 任何外来冲击（或振动）对序列变动轨迹的影响是短暂的，t时刻的振动影响在t+1期会减弱，t+2期会更弱，随着时间推移这种影响会逐渐消失，序列将恢复到其平均水平（称外来冲击影响具有“短记忆”特征）。 但是，对于非平稳时间序列，振动的影响会无限地持续下去，t时刻的振动影响不会在以后的时期中衰减，所以序列也难以恢复到一个稳定状态。 二、常见平稳序列 1．白噪声过程（white noise）——纯随机序列 记成： yt ( i.i.d (0, (2) 2．自回归过程（Auto regression—AR） , εt ( i.i.d (0, (2)。 （设y0 = 0） ——短期相关 所以，|φ|lt;1时，AR(1)过程是平稳过程（渐进平稳）。 三、常见非平稳序列 1．趋势平稳过程（trend stationary） （又称为：退势平稳过程，确定趋势平稳过程）。 yt =α + βt + εt , εt ( i.i.d(0, (2) 性质： （1）E(yt)=α + βt， D(yt) = (2 , COV(yt，yt-s) = 0 （2）图形：围绕趋势线等幅波动，外来冲击影响短暂； （3）可以扩展成带趋势的AR过程： yt =α + βt + φyt-1 + εt |φ|lt;1 （4）平稳化处理： 方式1：退势（消除长期趋势） yt –( α + βt ) = εt ( i.i.d(0, (2) 方式2：差分： Δyt = yt –yt-1 = β +（εt–εt-1）( i.i.d (β, 2(2) 此时, E(Δyt) = β ， D(Δyt) = 2(2 COV(Δyt，Δyt-s) =E[(εt–εt-1)(εt-s–εt-s-1)] = 所以，差分处理可以成为平稳过程，但却存在一阶自相关性（非白噪声序列）。 2．随机游走过程（random walk）和单位根过程（unit root） 定义： 随机游走过程： yt = yt-1 + εt , εt (i.i.d(0, (2) 单位根过程： yt = yt-1 + εt , εt (平稳过程 （或：在AR(1)过程中，当时为单位根过程） 性质： （1）外来冲击影响有长记忆性，难以回到稳定状态。 （2）一阶差分为平稳过程（即增幅是平稳的）。 Δyt = yt –yt-1 = εt ( i.i.d (0, (2)，或平稳过程 3．带飘移项的随机游走过程/单位根过程（随机趋势过程） 性质： （1）具有随机（线性）趋势。 （2）外来冲击影响有长记忆性，难以回到稳定状态。 （3）一阶差分为平稳过程。 确定趋势过程与随机趋势过程的区别： 形式上都存在长期趋势，但前者是确定趋势，后者为随机趋势。 随机因素影响的持续性不同，前者是即期影响，后期会很快消失，影响是短记忆的；而后者是累加影响，每次影响都会持续很长时间，且汇叠加，影响是长记忆的。 从经济意义上理解，对于外来冲击的影响，前者在暂时偏离长期趋势后会很快返回到长期趋势，围绕趋势线波动；而后者在偏离“趋势”后可能很难回到原趋势，或者说没有明确的趋势（趋势是“漂移”的）。 4．带飘移项、趋势项的随机游走过程 / 单位根过程 性质： （1）具有随机（二次函数）趋势。 （2）外来冲击影响有长记忆性，难以回到稳定状态。 （3）一阶差分+退势，成为平稳过程。 5．含有趋势的非平稳时间序列类型的识别 ——数据生成过程（DGP） 类型： yt =α + βt + εt ——均可以扩展到AR过程 问题： 1、如何区分趋势的类型？ 2、错误识别趋势类型后会产生什么影响？ 第二节 时间序列的单整性 定义 若非平稳序列yt经过d阶差分后成为平稳序列，则称其为d阶单整序列，记成：yt ~ I(d)；特别的，平稳序列记成I(0) 性质 若，则 若，则 若，则 若，则 （非同阶单整序列的线性组合服从高阶单整） 若，则