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 在时间序列模型的发展过程中，一个重要的特征是 对统计均衡关系做某种形式的假设，其中一种非常特殊 的假设就是平稳性的假设。通常一个平稳时间序列能够 有效地用其均值、方差和自相关函数加以描述。本章首 先通过讨论回归方程扰动项通常会存在的序列相关性问 题，介绍如何应用时间序列数据的建模方法，修正扰动 项序列的自相关性。进一步讨论时间序列的自回归移动 平均模型（ARMA模型），并且讨论它们的具体形式、 估计及识别方法。 2 由于传统的时间序列模型只能描述平稳时间序 列的变化规律，而大多数经济时间序列都是非平稳 的，因此，由20世纪80年代初Granger提出的协整概 念，引发了非平稳时间序列建模从理论到实践的飞 速发展。本章还介绍了非平稳时间序列的单位根检 验方法、ARIMA模型的建模方法、协整理论的基本 思想及误差修正模型。 3 §5.1 序列相关及其检验 §5.1 序列相关及其检验 第3章在对扰动项u 的一系列假设下，讨论了古典线 t 性回归模型的估计、检验及预测问题。如果线性回归方 程的扰动项ut 满足古典回归假设，使用OLS所得到的估 计量是线性无偏最优的。 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 t 方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。 4 §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 随机扰动项之间不相关，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 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) 。