4时间序列与误差修正模型.pdf

时间序列及误差修正模型 基于具有趋势特征时间序列的结构模型问题 平稳性及其检验 单整及其检验 协整及其检验 误差修正模型 时间序列及误差修正模型 例：“保险规模的预测模型及实证分析” “城市化与商品流通的关系研究” 结构模型的解释能力以可决系数来测量，它被定义为解 2 释变差占总变差的比重。人们倾向于认为一个高的R 意味着 X 对Y的“影响”强。 对于具有共同变化趋势的时间序列，即使它们之间没有 任何实际联系，也会产生较高的可决系数，这意味着许多通 过较高可决系数而“发现”的变量间的联系可能是虚假的，即 回归式所描述的变量间的回归关系是一种“伪回归” 。 时间序列及误差修正模型 基于时间序列的、通过建立因果关系为基础的结构模型 所作的计量经济分析，可能存在虚假回归问题 例如：印度的GDP与中国的GDP 一国的人口数量与GDP 农村居民人均纯收入与城镇居民储蓄存款余额 ……… 时间序列及误差修正模型 因此，对于时间序列数据作结构模型分析应谨慎 1、变量间内在的因果关联影响是否确实存在？ 格兰杰因果关系检验 2、变量间的某种关联影响是否长期稳定？ 变量间的长期均衡关系 平稳性、单整、协整 Granger因果检验 基本原理： 对于X 和Y，建立关系： s s Y  X   Y  t  i t i  j t j 1t i 1 j 1 s s X X  Y  t i t i j t j 2t 如果： i 1 j 1  显著地异于0而 显著地不异于0，则存在X 到Y的单向因果关系 i  i  显著地不异于0而 显著地异于0，则存在Y 到X 的单向因果关系 i i   i 、 均显著地异于0，则X 与Y之间存在双向因果关系 i i i 均显著地不异于0，则X 与Y之间不存在因果关系，两变量线性无关 Granger因果检验 检验方法：针对“X不是Y变化的原因”假设 s s 1、对 Y  X   Y  作回归，据以计算残差RSS t  i t i  j t j 1t UR i 1 j 1 (将上式看作是无约束下的回归，假设其待估参数为k个) s 2、对Y ()  Y 1 作回归，据以计算残差RSS t j t j t R