第五章 时间序列模型.pdf

第五章 时间序列模型 第五章 时间序列模型 关于标准回归技术及其预测和检验我们已经在 前面的章节讨论过了，本章着重于时间序列模型的 估计和定义，这些分析均是基于单方程回归方法， 第9章我们还会讨论时间序列的向量自回归模型。 这一部分属于动态计量经济学的范畴。通常是 运用时间序列的过去值、当期值及滞后扰动项的加 权和建立模型，来“解释”时间序列的变化规律。 1 §5.1 序列相关理论 §5.1 序列相关理论 第3章在对扰动项u 的一系列假设下，讨论了古典线性 t 回归模型的估计、检验及预测问题。如果线性回归方程的 扰动项u 满足古典回归假设，使用OLS所得到的估计量是 t 线性无偏最优的。 但是如果扰动项u 不满足古典回归假设，回归方程的 t 估计结果会发生怎样的变化呢？理论与实践均证明，扰动 项u 关于任何一条古典回归假设的违背，都将导致回归方 t 程的估计结果不再具有上述的良好性质。因此，必须建立 相关的理论，解决扰动项不满足古典回归假设所带来的模 型估计问题。 2 §5.1.1 序列相关及其产生的后果 §5.1.1 序列相关及其产生的后果 对于线性回归模型 y   x  x   x u (5.1.1) t 0 1 1t 2 2t k kt t 随机误差项之间不相关，即无序列相关的基本假设为 cov(u ,u ) 0 s 0 , t 1 , 2 , , T (5.1.2) t t s 如果扰动项序列u 表现为： t cov(u ,u ) 0 s 0 , t 1 , 2 , , T (5.1.3) t t s 3 即对于不同的样本点，随机扰动项之间不再是完全相互 独立的，而是存在某种相关性，则认为出现了序列相关 性（serial correlation ）。由于通常假设随机扰动项都服 从均值为0 ，同方差的正态分布，则序列相关性也可以 表示为： E (u ,u ) 0 s 0 , t 1 , 2 , , T (5.1.4) t t s 特别的，如果仅存在 E (u ,u ) 0 t 1 , 2 , , T (5.1.5) t t 1 称为一阶序列相关，这是一种最为常见的序列相关问 4 题。 如果回归方程的扰动项存在序列相关，那么应用 最小二乘法得到的参数估计量的方差将被高估或者低 估。因此，检验参数显著性水平的t统计量将不再可 信。可以将序列相关可能引起的后果归纳为： ① 在线性估计中OLS估计量不再是有效的； ② 使用OLS公式计算出的标准差不正确，相应的显 著性水平的检验不再可信 ； ③ 如果在方程右边有滞后因变量，OLS估计是有 偏的且