第十三讲非平稳时间序列.pptVIP

时间序列回归 平稳性时间序列的条件 非平稳时间序列 非平稳时间序列：常规假设检验、置信区间、预测均失效。 非平稳时间序列的两个例子： 1. 趋势 2. 突变 一个平稳的时间序列在图形上往往表现出一种围绕其均值不断波动的过程； 而非平稳序列则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。 什么是趋势 趋势(trend)是指变量随时间持续长期的运动。 趋势的随机游走模型 其中ut是一个简单的随机时间序列：具有零均值同方差的独立分布序列： ?t~i.i.d ut被称为是一个白噪声（white noise）。 由于ut具有相同的均值与方差，且协方差为零，白噪声序列ut是平稳的。 带漂移的随机游走 证明一： 随机游走的例子： use random,clear tsset t reg r1 L.r1 line r1 t 一般来说，对Y取一阶差分（first difference）: ?Yt=Yt-Yt-1=?t 由于?t是一个白噪声，则差分后序列是平稳的。 不难验证: 1。 |?|1，平稳。 2。 |?|=1，是一个随机游走过程，不平稳。 3。 |?|1，不平稳。该随机过程生成的时间序列是发散的，表现为持续上升(?1)或持续下降(?-1)，因此是非平稳的； 随机性趋势、自回归模型和单位根 对于AR(1)来说，时间序列平稳的条件是|β1| 1。 对于AR(p)来说，需要引入滞后算子： 定义一阶滞后算子L为： Lxt = xt -1 k阶滞后算子定义为 Lkxt = xt - k 随机性趋势带来的问题 若回归变量中包含随机性趋势(有单位根)，则其系数的OLS估计量及其OLS t统计量即使在大样本下也不服从标准(即非正态)分布。 (1)当AR(1)中的自回归系数真值为1时其估计量偏向于0； (2)包含随机性趋势的回归变量系数的t统计量即使在大样本下也服从非正态分布； (3)随机性趋势带来的风险的极端例子是包含有随机性趋势的两个独立序列会以较高的概率错误地呈现出相关关系，即所谓的伪回归。 问题1：偏向于零的自回归系数 自回归系数向左偏向于0。假设对于AR(1)： 其真实值为β1=1。然而，OLS 估计出的β1 却不是渐近正态分布，甚至不是对称分布，即使是在大样本下，而是向左偏向于0。这是因为，由于{Yt} 不是平稳序列，中心极限定理不再适用。 问题2：t统计量的非正态分布 若回归变量中包含随机性趋势，则常用的OLS t统计量在原假设成立时即使在大样本下也服从非正态分布。这意味着常用的置信区间是不正确的，也不能像往常一样进行假设检验。由于这个t统计量的分布依赖于有问题的回归变量和其他回归变量之间的关系，因此一般无法列表给出其分布。 问题3：伪回归 随机性趋势会使两个没有相关关系的时间序列呈现出相关性，这个问题称为伪回归。 这个矛盾结论的来源是两个序列都含有随机性趋势。这两个趋势碰巧在1965-1981年间保持一致，但在1982-2009年期间却没有。事实上，也不存在令人信服的经济或政治理由相信这两个序列中的趋势是相关的。简言之，这些回归是虚假的。 随机性趋势探测：单位AR根的检验 因此，针对式 ?Yt=β0+?Yt-1+?t 我们关心的检验为：零假设 H0：?=0。 备择假设 H1：?0 因此，可通过OLS法估计 ?Yt=β0+?Yt-1+?t 并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较： 如果：t临界值，则拒绝零假设H0：? =0， 认为时间序列不存在单位根，是平稳的。 2、ADF检验 进一步的问题：在上述对时间序列进行平稳性检验中，实际上假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的。 但在实际检验中，时间序列可能由更高阶的自回归过程生成的，如AR(3)，或者随机误差项并非是白噪声，这样用OLS法进行估计均会表现出随机误差项出现自相关（autocorrelation），导致DF检验无效。 另外，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致上述检验中的自相关随机误差项问题。 因此，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller ）检验。 ADF检验是通过下面三个模型完成的： 模型3 中的t是时间变量，代表了时间序列随时间变化的某种趋势（如果有的话）。 检验的假设都是：针对H1: ?0,检