Fmath-5朱家祥北大计量经济学课程.pptVIP

1 稳定时间序列 Stationary Time Series 以时间為下标的一组有序的隨机变数。 均数與方差 自我协方差 autocovariance 一阶自我协方差 : K阶自我协方差 : 弱稳定/定态条件 均数與方差為不隨时间改变的常数。 自我协方差決定於时间的间距。例如 白噪音 White Noise 数列 称为白噪音, 若 若亦服從正态分佈，稱為高斯白噪音(Guassian White noise)。白噪音無系統性可分析的成分。白噪音是建立时间序列模型的基础。 2 定态时间序列模型一:自我回归 一阶自我回归模型: 为白噪音， k阶自我回归模型: 类似回归模型，但以自身的過去為解释变数。用自己解释自己-誏数据自己說話。 一阶自我回归的稳定条件 連续迭代， 若 … 則 若以 的情況(此時成為隨机遊走random walk)來对照， 的方差為无限大，违反了稳定条件。隨机遊走为非稳定数列。 稳定與非稳定数列 高阶自我回归的稳定条件 首先建立一k阶的多項式如下: 若 所有的根均大於一，稳定条件成立。當根为复数时， 检验 是否大於一。 若 ，則有 “单根” 存在，此时 為非稳定数列。 一阶自我回归模型的相关性結构 考虑 迭代得: 落后一期: 兩式相乘后取期望值: 自我相关係数为: 高阶自我相关係数 模型同乘 ，取期望值: 自我相关系数為 相同方法計算可得: 評论: 因 ，k值越高，自我相关系数越低。时间间隔越長的兩個变数，相关性越低。 稳定时间序列的记忆力极短，自我相关系数递减的速度极快。当 。 高阶自我回归模型，亦存在自我相关系数快速递减的現象(証明复杂些) 3 定态时间序列模型二:移动平均 MA(1): 一阶移动平均 由当期及过去白噪音驱动了时间序列。 移动平均模型无需其他条件來保証弱稳定。 自我相关系数的結构 一阶自我协方差 一阶自我相关系数 二阶及高阶自我协方差 MA的可逆性 迭代可得 二個观察: (1) 可逆性 Invertibility: 若 远期的观察值对当期的影响越大! … (2)一阶移动平均可转换成无限大阶的自我回归。 推论: 高阶自我回归模型常可用低阶移动平均來近似。 好处是: 简洁，参数较少。 高阶移动平均模型 MA(q): 令 若 (單根)，則可逆性不存在。可逆性存在的条件: 所有 的根，均需大於一。 4 定态时间序列模型三:ARMA 模型 自我回归與移动平均的混合体。 ARMA(1,1) ARMA(p,q) 模型：p阶自我回归，加上q阶移动平均。 一般而言，p+q不需很大即可掌握稳定数列的特质。自我相关系数的結构: 较复杂，统計软件可自动計算。高阶自我相关系数迅速递减到零的性質成立。 稳定数列的中心问题 (1)認定: MA? AR? Or ARMA? (2)估計: 軟件執行最大似然法 (3)診断: 模型适合否? (4)预测: 样本外预测的表現如何? 最大似然法 Maximum Likelihood Estimation (MLE) 估計值为似然函数的極大解。 模型选择的标准 Model Selection AIC 信息标准(Akaike Information Criterion) AIC=-2ln(似然函数极大值)+2k k=参数个数。 AIC值越小，模型越佳。 软件会自动計算AIC与其他信息标准值。 策略:估計不同ARMA模型，比较信息标准來認定。 时间序列模型診断 診断重点:模型估計完後的殘差項(residual)是否类似白噪音。 診断方法一: Durbin-Watson Test 為殘差項。 DW 檢定… d展開化简可得 其中 为殘差項的一阶自我相关系数。 若殘差項近似白噪音， T=样本数。 診断方法二正负号檢定 令 計算殘差項差分数列 中，t=2,…T，有几个正号。 若殘差項近似白噪音， 診断方法三 转折点检定 转折点定义 若 (局部頂点) ， 或