时间序列数据导论.ppt

Economics 20 - Prof. Anderson 时间序列vs.截面 时间序列数据按照时间顺序排列，与截面数据不同。 因此，我们需要改变一些假设条件，即我们不再拥有个体的随机样本。 相反，我们拥有时间序列过程的可一个随机实现。一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。 时间序列回归模型的例子 静态模型: yt = b0 + b1zt + ut inft = b0 + b1unemt + ut 静态菲利普斯曲线 有限分布滞后模型： yt = a0 + d0zt + d1zt-1 + d2zt-2 + ut gfrt = a0 + d0pet + d1pet-1 + d2pet-2 + ut q阶有限分布滞后模型包含q个滞后自变量。 有限分布滞后模型 d0 称为冲击倾向，反映y的即时变化。 1期变化后，y在q+1期回复到其原值。 d0 + d1 +…+ dq 称为长期倾向，反映一个永恒变化对y的长期效应。 无偏性假设 假定TS.1: 线性于参数 yt = b0 + b1xt1 + . . .+ bkxtk + ut 假定TS.2: 不存在完全共线性 在样本中（并因而在潜在的时间序列过程中），没有任何自变量是恒定不变的，或者是其他自变量的一个完全线性组合。 假定TS.3: 零条件均值 对每一个t，给定所有时期的解释变量，误差项ut的期望值为零。E(ut|X) = 0, t = 1, 2, …, n 无偏性假定（续） 零条件均值意味着x是严格外生的。 同期外生: E(ut|xt) = 0 严格外生: E(ut|x) = 0 无偏性假定（续） 不仅ut与zt不相关，而且ut与z的过去值和将来值都不相关。 随机抽样假定的关键影响是每一个ui 都是独立的。严格外生性假定关注的正式这一点。 导致TS.3无效的情况：遗漏变量、回归元测量误差。 OLS无偏性 基于以上3个假设，使用时间序列数据时，OLS估计值是无偏的。 在满足一定条件下，与截面数据类似，OLS估计值是无偏的。 遗漏变量偏误的分析可以参照截面数据的方法。 OLS估计的方差 与截面数据情形一样，为推导方差需要加上同方差性假定。 假定 TS.4: Var(ut|X) = Var(ut) = s2 给定Xt,ut的方差在所有的时间t上都相等。 假定 TS.5: 不存在序列相关 Corr(ut,us| X)=0 for t ? s或者写成 Corr(ut,us)=0 for t ? s 给定X，任意两个不同时期的误差不相关，否则我们称误差是序列相关或自相关的。 OLS方差 (续) 在上述5个假定下，时间序列的OLS方差与截面数据下的情形一样。 s2 的估计值一样。 OLS仍然是最优线性无偏估计。 增加正态误差项假设，统计推断的情形一样。 经典线性模型假定下的推断 例子10.1 静态菲利普斯曲线 10.4 函数形式、虚拟变量和指数 例10.3 波多黎各的就业和最低工资 例10.4 个人税收豁免对生育率的影响（1913-1984） 事件研究（event study） 例10.5 反倾销调查和化学产品进口 例10.6 选举结果和经济形势 时间趋势 经济时间序列常常具有趋势性。 只是两个序列之间具有相同的趋势，我们不能假定两者存在因果关系。 两者具有相同趋势，往往是因为不可观测因素的作用。 即使这些因素不可观测，我们可以通过控制时间趋势将其控制或分离。 时间趋势（续） 一个可能是存在线性趋势，如模型： yt = a0 + a1t + et, t = 1, 2, … 另一个可能是指数趋势，如模型： log(yt) = a0 + a1t + et, t = 1, 2, … 再一个可能是二次型趋势 ，如模型： yt = a0 + a1t + a2t2 + et, t = 1, 2, … 在回归分析中使用趋势变量 例10.7 住房投资与价格（U.S 1947-1988） 例10.8 生育方程 除趋势 在回归中加入趋势项，等同于在回归中使用“除趋势”的时间序列。 将一个序列除趋势，实质是将模型中的每个变量对t进行回归，所得的残差即为除趋势序列。 因此，趋势被除掉。 例10.9 波多黎各的就业 除趋势（续） 在数据中除趋势的的优势（相对于加入时间趋势向而言）是拟合优度的计算。 时间序列回归倾向于拥有很高的R2,既然趋势得到很好的解释。 根据除趋势数据回归得到的R2 能更好的反映x对y的解释力。 季节性 通常，时间序列数据显示出周期性，即季节性。 例如：零售额的季度数据在第4季度攀高。 季节性可以通过加入一套季节虚拟变量解决。 很多情况下，数据公布之前已经做过季节调