第九讲__滞后变量模型.pptVIP

第九章 滞后变量模型 阿尔蒙估计的EViews软件实现过程： 在EViews软件的LS命令中使用有限多项式分布滞后命令PDL项Almon方法估计分布滞后模型。其命令格式为 LS y c PDL（x,k,m,d） 其中，k为滞后期长度，m为多项式次数，d是对分布滞后特征进行控制的参数，可供选择的参数值有 一般取 0——参数分布不作任何限制。 在LS命令中使用PDL项，应注意以下几点： ① 在解释变量x之后必须指定k和m的值，d为可选项指定时取默认值0； ② 如果模型中有多个具有滞后效应的解释变量，则分别用几个PDL项表示。例如 LS y c PDL(x1，4，2) PDL(x2，3，2，2) ③ 在估计分布滞后模型之前，最好使用互相关分析命令CROSS，初步判断滞后期的长度k。命令格式为: CROSS y x 例 建立中国长期货币流通量需求模型 经验表明：中国改革开放以来，对货币需求量(Y)的影响因素，主要有资金运用中的贷款额(X)以及反映价格变化的居民消费者价格指数(P)。 注意： 尽管D.W.=1.733，但不能据此判断自回归模型不存在自相关(Why?)。 但 LM=0.7855，?=5%下，临界值?2(1)=3.84， 判断：模型已不存在一阶自相关。 随着滞后阶数的增加，拒绝“GDP是居民消费CONS的原因”的概率变大，而拒绝“居民消费CONS是GDP的原因”的概率变小。 如果同时考虑检验模型的序列相关性以及赤池信息准则，发现：滞后4阶或5阶的检验模型不具有1阶自相关性，而且也拥有较小的AIC值，这时判断结果是:GDP与CONS有双向的格兰杰因果关系，即相互影响。 二、自回归模型的参数估计 1．自回归模型的构造 一个无限期分布滞后模型可以通过科伊克变换转化为自回归模型。 事实上，许多滞后变量模型都可以转化为自回归模型。 (1) 自适应预期(adaptive expectation)模型 (2) 局部调整(partial adjustment)模型 下面我们以下两个模型为例进行说明。 (1) 自适应预期模型 最初的表现形式是： (9-27) 由于预期变量是不可实际观测的，往往作如下自适应预期假定： (9-28) 其中γ为预期系数(coefficient of expectation)，0≤γ≤1。 该式的经济含义——“经济行为者将根据过去的经验修改他们的预期” 这个假定还可写成 (9-29) 将(9-29)式代入(9-27)式得 (9-30) 将(9-27)式滞后一期并乘以 ，得 (9-31) 以(9-30)式减去(9-31)式，整理得 (9-32) 可见自适应预期模型转化为一个自回归模型。 其中， (2) 局部调整模型 局部调整模型的最初的表现形式是： (9-33) 例如： 局部调整模型主要是用来研究物资储备问题的。 企业为了保证生产和销售，必须保持一定的原材料储备。对应于一定的 产量或销售量Xt，存在着预期的最佳库存 。 显然， 不可观测。 由于生产条件的波动，生产管理方面的原因，库存储备Yt的实际变化量 只是预期变化的一部分。 储备按预定水平逐步进行调整，故有如下局部调整假设： (9-34) 其中，δ为调整系数，0≤δ≤1。局部调整假设还可写成 (9-35) 其中 可见，局部调整模型可转化为一个自回归模型。 2．自回归模型的参数估计 对于自回归模型(9-25)式，估计时的主要问题在于，滞后被解释变量 的存在可能导致它与随机干扰项相关，以及随机干扰项出现序列相关性。 同时，随机干扰项还是自相关的。而局部调整模型(9-36)式则存在着 滞后被解释变量Yt-1与随机干扰项的异期相关性。 因此，对自回归模型的估计主要需视滞后被解释变量与随机干扰项的 不同关系进行估计。 问题： 下面以一阶自回归模型为例说明。 (1) 工具变量法 对于一阶自回归模型 (9-37) 在实际估计中，一般用 作为 的工具变量，其中 是X的若干 滞后的线性组合： (9-38) 由于模型(9-37)式中已假设随机干扰项 与解释变量X及其滞后项不 与 不再线性相关。 存在相关性，因此(9-37)式中的 利用EViews软件的具体操作步骤为 ①利用CROSS命令确定分布滞后模型的滞后期长度（或在数组窗口点击View\Cr