第12章时序列模型.pptVIP

第12章 时间序列模型 主要内容 第一节 基本概念 第二节 自回归过程 第三节 移动平均过程 第四节 自回归移动平均过程 第一节 基本概念 第二节 自回归过程（AR） 一 自回归过程的平稳条件 二 自回归过程的自相关函数 三 自回归过程的估计 第三节 移动平均过程（MA） 第四节 自回归移动平均过程（ARMA） 第五节 协整理论和误差修正模型 第六节 自回归条件异方差模型 二 广义自回归条件异方差（GARCH）模型 如果xt和yt都是一阶求积的I(1)，则预期u也是I(1) ，那么上述回归的D·W 统计量就应该接近于零，两个序列将不具有协整关系。所以我们建立如下检验： 原假设H0：d=0 若计算得到的D·W 统计值小于临界值，则认为xt和yt 不具有协整关系。 2.84 0.322 10 3.17 0.386 5 3.77 0.511 1 扩充DF-t 统计值 D·W 统计量值 显著性水平% 方法一：扩充DF-t 检验 首先协整回归 得到残差为 然后作如下回归 对 的t 统计值进行检验，如果它小于临界值，则认为xt和yt 不具有协整关系。 二 误差修正模型（ECM） 仍然假设xt和yt都是一阶求积的I(1)。 对于自回归模型 模型{1}称为误差修正模型。 将上述模型的参数修改一下，得 如果xt和yt是协整的, 为了估计其中的参数，恩格尔和格兰杰提出了两步估计法： 首先估计协整回归 ，得到残差 第2步做回归： 使用OLS法就可以得到要估计的参数。 一 自回归条件异方差（ARCH）模型 对于面板数据而言，既有时间序列序列，又有横截面数据，因而异方差和自相关都容易发生。特别是金融时间序列通常出现这种情形。 ARCH(Autoregressive Conditional Heteroskedasticity)模型是Engle在1982年首先提出的，它把条件方差看作是前期误差的函数，也就是说条件方差是随时间变化的。 在时刻t以前的信息完全已知的条件下，随机误差项ut的方差 满足 此模型称为p阶自回归条件异方差ARCH（p）模型。 信息系 刘康泽 例如线性回归模型中的随机误差项u1，u2，…，un可以看着是随机过程…， u-1，u0， u1， …，ut ， …的一个样本。 如果随机过程ut的分布不随时间的改变而变化，并且 随机过程：依赖于参数时间t的随机变量集合{yt} 称为随机过程。 称这一随机过程ut为白噪音（White noise）。 平稳随机过程：如果随机过程yt满足 只依赖于yt和yt+k之间的时期数k，而与t无关。 平稳随机过程举例 自相关函数：对于随机过程 {yt} ， yt和yt+k之间的自相关函数为 如果yt为平稳随机过程 但是在实际计算时，只能计算样本自相关函数 样本自相关函数举例 前面我们讨论过自回归模型 如果时间序列yt有 其中为ut白噪音，称上式为p阶自回归过程AR(p)。 白噪音 1 一阶自回归过程 只有当 时， 这表明 只与k有关。因此从上述分析得知当 时，一阶自回归过程为平稳过程。 对于p阶自回归过程，也有类似的结论。 2 p阶自回归过程 一阶自回归过程AR(1)的自相关函数为 对于p阶自回归过程AR(p) ，由于 当k=0时， 用 除[1]的左右两边得 当自回归阶数p已知，可直接用OLS法估计参数 1 自回归阶数p已知 如果自回归阶数p未知，最关键的就是确定p，可根据自相关图和偏相关图来确定。 将p求出后，就可以直接利用OLS法