时间序列（麻省理工大学）.pdf

麻省理工大学 Guido Kuersteiner 经济系 时间序列14.384 第一讲笔记 引言 本课主要在于为分析依次连续观察到的数据提供必要的工具。由于数据和新生成量不再 独立，标准的推论技巧需要进一步细化才能发挥作用。这就要求精确的极限理论必须考虑估 计量和检验统计量的渐进特征。理论上解决相关问题的可行方法取决于 生公式的机制，该 机制可以将观察出的非独立变量分解成独立的新生成量。这种机制即通常所说的时间序列模 型。尽管存在其他对参数依赖更少的模型，我们将主要立足于以下参数模型。 鉴于此，我们主要考虑诸如 GNP 、总消费等宏观经济时间序列。这些时间序列的典型 特征包括趋势行为、季节性和趋势循环成分等。明显这些概念很模糊并且事实上也不能单独 定义，但它们却构成了时间序列模型的基石。在具体的模型趋势行为尤为关键。如果数据没 有一定的稳定性（用更专业一点的话来讲，平稳性），则不可能展开进一步的推论。 1. 随机过程和平稳性 为了对下述概念的讨论定 ，我们从定义时间序列的含义和介绍平稳性的概念入手。时 间序列分析的数学理论基于抽象概率空间(, F ,P ) 的概念。这里 为样本空间，F 为定义 在样本空间上的δ代数，P 为 上的概率量度。对于本课的大多数讨论，没有必要涉及到 隐含的概率空间，同时对其特性的讨论在此也省略。我们介绍指标 T 来表示存在着有序关 系的量的集合。所以，如果t ,t T ，则有t t 或t t 。通常T R 或T Z 。我们首 1 2 1 2 1 2 先对随机过程下一个定义。 定义 1.1( 随机过程) ：随机过程是定义在概率空 间 (, F ,P ) 上的随机变量 {X(t,w), t T,w } 的全体。 具体地，一方面，对既定的w ，X(.,w ) 是从T 到¡ 上的函数。它称为随机过程的实现 值。另一方面，对既定的 t ，X (t ,.) 是 到¡ 上的函数。该定义包括了连续型和离散型时 间过程。如果指标 T 像在¢ 上一样离散，我们称此过程为时间序列。时间序列可以通过观 察 T 上的一系列格点从随机过程中 生。我们定义R ¡ 为无限维坐标空间并用 {X(.,w)} 表示R 上的一点。 t 定义1.2 （随机序列）：随机序列定义如下：作为h : R 上的映射有 h(w) (L,X 1(w), X 0 (w), X 1 (w ),L) 其中，X : ¡ ¡ 为坐标函数，{X } 称为随机序列。 t t 1 与前面相同，我们称h(w ) 为给定w 时随机序列的实现值。在实际中我们只观察h(w ) 的 n 一个实现值且我们只观察X 的一个有限子集，也就是说序列{X } 。因此如果X 的概率 t t t1 t 分布不随时间做未知变化，我们可以希望对其概率分布做出合理的推断。我们将介绍强平稳 和弱平稳的概念。在此之前。我们需要更加精确地定义X t 分布的概念。 定义1.3 （有限维分布）：令T 为所有向量的集合： {X ,t T} 的有限维分布函数是由F (x) P (X x ,L, X x ) 确定的{F (.), t T } 函 t t t1 1