常用计量经济模型_(天大).ppt

第一章 常用计量经济模型 第一节 时间序列的外推、平滑和季节调整 一、时间序列的成分 趋势成分（Trend）、循环成分（Cyclical）、季节成分（Season）、不规则成分（Irregular） 二、简单外推模型 由时间序列过去行为进行预测的简单模型 （适用于yt有一个长期增长的模式） 1、线性趋势模型 yt =c1+ c2 t 2、指数增长趋势模型 两边取对数 3、自回归趋势模型 4、二次曲线趋势模型 对数自回归趋势模型 美国商业部：1986年1月至1995年12月百货公司的月零售额（亿元） [例1] 百货公司销售预测 三、平滑技术 （目的是“消除”时间序列中的不规则成分引起的随机波动，适用于稳定的时间序列） 1、移动平均模型 移动平均数=最近n期数据之和/n 例如3期移动平均 中心移动平均 3期中心移动平均 2、指数加权移动平均模型 即 （EWMA—Exponentially Weighted Moving Averages） α越小，时间序列的平滑程度越高。 [例2] 美国月度新建住房数（1986年1月至1995年10月） 四、季节调整 （目的是“消除”时间序列中的季节成分引起的随机波动） Census Ⅱ (美国普查局开发的标准方法) 移动平均比值法 (Ratio to Moving Averages) Ratio to Moving Averages——Multiplicative 第一步 用中心移动平均平滑序列yt 对于月度资料 对于季度资料 此时可大致认为 已无季节和不规则波动，可看作 的估计 第二步 估计S×I 令 zt即为S×I的估计 第三步 消除不规则变动，得到S的估计 对S×I中同一季节的数据进行平均，从而消除掉I。 例如，对于月度数据，假定 y1是1月份的数据， y2是1月份的数据， y3是1月份的数据， y4是1月份的数据，总共4年数据。 则 第四步 调整S的估计，使其连乘积等于1或和等于12。 第二节 随机时间序列模型 基本假定：时间序列是由某个随机过程生成的。 在一定条件下，我们可以从样本观察值中估计随机过程的概率结构，这样我们就能够建立序列的模型并用过去的信息确定序列未来数值的概率。 常用模型：AR模型、MA模型、ARMA模型、ARIMA模型、VAR模型、ECM等。 统计特征不随时间变化而变化的过程是平稳过程（Stable Process） 如果过程是严平稳的（ Strictly Stationary），那么对任意的t和k，时刻t的联合概率密度函数等于时刻t+k的联合概率密度函数。也就是说，对于具有严平稳性质的随机过程，其全部概率结构只依赖于时间之差。 严平稳性的条件很严格，我们希望稍微放松限制条件。于是从实际角度考虑，我们可以用联合分布的矩的平稳性来定义随机过程的平稳性。 一、平稳过程 m阶弱平稳过程（Weakly Stationary）是指随机过程的联合概率分布的矩直到m阶都是相等的。 若一个过程 {r(t)} 是2阶弱平稳过程，那么它会满足下列条件： （1）随机过程的均值保持不变； （2）随机过程的方差不随时间变化； （3）r(i)和r(j)之间的相关性只取决于时间之差 j- i。 [注]：弱平稳过程不一定是严平稳过程； 而严平稳过程若存在二阶矩，则必是2阶弱平稳过程。 [例] 白噪声过程 其中随机变量 满足 显然白噪声过程是一个2阶弱平稳过程。 [例] 随机游走模型 其中 是服从正态分布的白噪声 显然 因此Pt 是非平稳过程。 用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为 二、自相关函数 如果[X(t)]是一个平稳过程，则有 因此 其中 协方差函数 自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。 如果对所有的k0，序列的自相关函数等于0或近似等于0，则说明序列的当前值与过去时期的观测值无关，这时该序列没有可预测性。 相反，如果金融序列间是自相关的，就意味着当前回报依赖历史回报，因此可以通过回报的历史值预测未来回报。 [例]