差分与齐次非平稳序列模型.docVIP

PAGE PAGE 4 第六章 非平稳时间序列分析 本章论述非平稳时间序列模型，学习的重点是非平稳性检验和平稳化方法。 §1 引 言 平稳性的回顾 非平稳性的引入 前面几章，我们所学的是针对平稳时间序列模型的建立和预测。但是在我们的现实生活当中，我们所遇到的时间序列（特别是一些经济序列），大多数是非平稳的，有的呈现出较强的趋势性和周期性。这使得本章的研究具有很重要的实际价值。 平稳性的概念前面已经提及，当条件不满足时，我们认为其是非平稳序列，它包括：（1）具有非常数的均值；（2）具有非常数的方差；（3）兼而有之。也即是说，时间序列的非平稳性表现很多。我们所能够进行分析和处理的仅是其中的一部分。假定是具有非常数均值的非平稳序列：，其中表示时间序列中随时间变化的均值（呈现出一定的趋势变动或周期变动），认为是一个均值的平稳时序。对这一类模型的研究可以采取两种方法（方法一，ARIMA模型；方法二，组合模型）。对于方差非平稳序列，我们可以通过适当进行方差平稳化变换，将其变成方差平稳的序列，一般地，可以利用Box-Cox（1964）的非线性变换：，其中被称为变换参数，来完成。 为什么进行非平稳性研究： 经济变量的非平稳性可能给回归模型的参数估计带来虚假回归问题，因此必须进行数列非平稳的分析研究。主要包括：非平稳性的检验和非平稳序列的建模。 例：一个虚假回归的模拟例子 下述程序验证了两列白噪声列回归和两列随机漫步列回归不同的结果（随机漫步回归有虚假回归产生）。 建立一个300样本值 undated workfile, new workfile spurious u 300 白噪声 确定随机种子使每次运行结果不变 rndseed 532 建立白噪声列（正态） series wn1 = nrnd freeze(graphwn1) wn1.line 单位根检验 wn1.uroot(n,4) 建立另一个白噪声列 series wn2 = nrnd 作散点图检查两列关系 group wng wn1 wn2 freeze(graphwn2) wng.scat(r) 回归方程 equation wnreg.ls wn1 c wn2 另存残差列 series wnres = resid freeze(wn_tab) wnreg 加标签 wn_tab(20,2) = 白噪声回归结果 show wn_tab 随机漫步 建新列等于 wn1 series rw1 = wn1 改变样本期 smpl 2 300 建立随机漫步列 rw1=rw1+rw1(-1) 恢复原样本期 smpl @all freeze(graphrw1) rw1.line rw1.uroot(n,4) 建立第二个随机漫步列 series rw2 = wn2 smpl 2 300 rw2=rw2+rw2(-1) smpl @all 作散点图检查两者关系 group rwg rw1 rw2 freeze(graphrw2) rwg.scat(r) 作回归方程 equation rwreg.ls rw1 c rw2 另存残差列 series rwres = resid freeze(rwn_tab) rwreg 加标签 rwn_tab(20,2) = 随机漫步回归结果 show rwn_tab group res wnres rwres freeze(graphres) res.line 虚假回归的症状：虚假回归有比较高的R2,t统计量和F统计量，但DW统计量低。 §2 非平稳性的检验 非平稳序列可以分为趋势平稳（TS）和差分平稳（DS），具体可见詹姆斯 D.汉密尔顿《时间序列分析》，单位根检验是真对差分平稳序列而言。 数据图检验法（graph） 该方法即是利用时间序列资料图，观察趋势性或周期性。如果序列存在着明显的趋势或周期变化，则表明该序列可能是非平稳时间序列。这种方法直观简单，但主观性较强。 ACF、PACF法（correlogram） 一个零均值平稳时间序列的自相关和偏自相关函数，要么拖尾，要么截尾。如果零值化的时序既不拖尾，也不截尾，而是呈现出缓慢衰减或者周期性衰减，则认为可能存在趋势或周期性，应视为非平稳。这种做法仍有相当的主观性。 特征根检验法 该方法是首先对序列拟合一个恰当的模型，再针对该模型计算其对应特征方程的特征根。如果它的所有特征根均在单位圆之外，则该序列平稳；否则非平稳。 逆序检验法 游程（run）检验法 其基本思想是：作为平稳序列，高于平均数与低于平均数的变化应该适当。如果游程过少，表明观察值持续高于或低均值，序列可能存在趋势性或周期性；如果游程过多，说明序列中存在此小彼大，此大彼小的必然趋势。游程的数目为多