经典时间序列分析9.pdf

§9.2 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 二、随机时间序列模型的平稳性条件 三、随机时间序列模型的识别 四、随机时间序列模型的估计 五、随机时间序列模型的检验 • 经典计量经济学模型与时间序列模型 • 确定性时间序列模型与随机性时间序列 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 随机时间序列模型（time series modeling ）是指仅用它的 过去值及随机扰动项所建立起来的模型，其一般形式为 X =F(X , X , …, ) t t-1 t-2 t 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（ t =），模型将是一个1阶自回归过程AR(1) ： t X =X +  t t-1 t 这里， 特指一白噪声。 t 一般的p阶自回归过程AR(p)是 X =X + X + … + X + t (*) t 1 t-1 2 t-2 p t-p (1)如果随机扰动项是一个白噪声(=) ，则称(*) t t 式为一纯AR(p)过程（pure AR(p) process ），记为 X =X + X + … + X + t 1 t-1 2 t-2 p t-p t (2)如果不是一个白噪声，通常认为它是一个q t 阶的移动平均（moving average ）过程MA(q) ： = -  -  - -  t t 1 t-1 2 t-2 q t-q 该式给出了一个纯MA(q) 过程（pure MA(p) process ）。 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 ）： X =X + X + … + X +  -  -  - -  t 1 t-1 2 t-2 p t-p t 1 t-1 2 t-2 q t-q 该式表明： （1）一个随机时间序列可以通过一个自回归移动平均过 程生成，即该序列可以由其自身的过去或滞后值以及随 机扰动项来解释。 （2 ）如果该序列是平稳的，即它的行为并不会随着时间 的推移而变化，那么我们就可以通过该序列过去的行为 来预测未来。 这也正是随机时间序列分析模型的优势所在。 2、时间序列分析模型的适用性 • 经典回归模型的问题： • 迄今为止，对一个时间序列Xt 的变动进行解释或预测， 是通过某个单方程回归模型或联立方程回归模型进行的， 由于它们以因果关系为基础，且具有一定的模型结构，因 此也常称为结构式模型（structural model ）。 • 然而，如果Xt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，则利用结构式模型来 解释Xt 的变动就比较困难或不可能，因为要取得相应的量 化数据，并建立令人满意的回归模型是很困难的。