小牛队主力球员协整关系的实证分析.docVIP

PAGE 小牛队主力球员协整关系的实证分析 引言 2010—2011赛季NBA总决赛刚刚落下帷幕，小牛队以其出色的整体配合在领袖诺维斯基的带领下经历6场鏖战终于战胜了拥有超豪华阵容配置的热火队，诺维斯基更是以其神奇而稳定的发挥屡次扭转乾坤。到底是什么原因使诺维斯基有如此稳定的发挥？除了自身优秀的身体素质和技术，良好的阅读比赛的意识以外，小牛队的整体配合无疑是至关重要的。那么，哪些球员对诺维斯基发挥的影响比较大呢？这就是本文要研究的问题。 2样本的选取与处理 根据经验，我们选取小牛队5位首发队员对球队贡献最大的数据序列做分析，分别选取了诺维斯基（Nowitzki），特里（Terry），马里昂（Marion）的得分，基德（Kid）的助攻，钱德勒（Chandler）的篮板球作为研究对象。取2010-2011赛季常规赛加上季后赛共100个样本进行分析。 3时间序列的平稳性检验 在建立模型前，先对各球员序列进行平稳性检验，采用ADF单位根检验法得到的检验结果由表3.1所示： 表3.1 各股指对数序列及一阶差分的ADF检验 变量 t-Statistic 5%的临界值 Nowitzki -3.778579 -2.890926 Terry -8.418785 -2.890926 Marion -9.680723 -2.890926 Chandler -8.889918 -2.890926 Kid -9.646626 -2.890926 从表3.1可以看出，五个球员序列的检验统计量都小于5%水平上的临界值，所以拒绝存在单位根的假设，所以都是平稳序列，因此可以认为五个球员序列都是I(0)序列。 4模型的设定 4.1设定自回归阶数 在决定动态模型的滞后阶数时，采用目前公认的三个选择准则进行定阶，即AIC准则、HQ准则和SC准则。三个准则具体表示如下： 其中为时间序列的长度，即总的样本数，为选择的阶数，为时间序列的个数，是残差向量协方差矩阵的行列式。 AIC准则往往过度估计滞后阶数（以正的概率），而后两个准则能够在十分一般的假设下，一致的估计阶数。这个结论不论对于I(0)还是对于I(1)的协整变量过程均成立（Paulsen[23]）。若分别将三种准则选择的阶数记为：、和，则存在下列关系： 即使在小样本中这种关系仍存在。所以如果三个准则选择的阶数不同时，选择SC准则比HQ或AIC更能准确的设定阶数。 得到结果为15阶。 Akaike Info Criterion: 15 Hannan-Quinn Criterion: 15 Schwarz Criterion: 15 4.2设定协整秩 采用约翰森（Johansen）迹检验进行协整检验。由于研究的时间序列有五个，所以协整秩不会大于4，即。因此对五个时期的各股指对数序列的计算得到检验结果如表4.2所示： response surface computed: r0 LR pval 90% 95% 99% 0 114.57 0.0000 72.74 76.81 84.84 1 68.04 0.0014 50.50 53.94 60.81 2 37.56 0.0256 32.25 35.07 40.78 3 15.55 0.2003 17.98 20.16 24.69 4 3.63 0.4820 7.60 9.14 12.53 由上表所以秩为2. 5模型的建立 先建立VECM模型，在此基础上利用“沃尔德因果链系统”得到长期响应矩阵，并最终确定SVECM模型。 如果设定的VAR模型的滞后阶数为n阶，则VECM模型的滞后阶数为n-1阶。例如，当n=2时，VECM模型有一般形式： 其中是由五个股指对数序列组成的内生变量向量，是中变量之间的即时关系，本文设为单位矩阵，和是结构式参数矩阵，是一个（）结构式误差，这一误差项是零均值、伴随时序不变协方差矩阵的白噪声过程。在此基础上得到SVECM模型的一般形式为： 其中，，为长期响应矩阵，为潜在的结构性冲击，且是正交的。根据“沃尔德因果链系统”假设，这里的为一个下三角矩阵。 本文采用两阶段（S2S）估计法（并对t检验值不显著的参数进行约束），分别得到7个SVECM模型，