4.3 第3章 随机变量的经典回归模型.pdf

第 3 章 随机变量的经典回归模型 在本章中，我们将从数据结构角度介绍随机变量的经典回归模型，并给出模 型所常采用的估计方法。 3.2 基于时间序列数据的回归模型 时间序列数据所涉及的模型主要包括两类经典模型：一类是基于一元和多元 的GARCH 类模型；另一类是基于一元和多元的随机波动模型。 3.2.1基于一元和多元的GARCH类模型 随机时间序列模型（time series modeling）是指用它的过去值及随机扰动 X Ω 一般具有条件均值和 项以及外生变量所建立起来的模型。随机时间序列{ t | } 条件方差两种形式。它的条件均值形式一般为 X = f (X , X , , X ;ε , ε , , ε ;EX ;a ) t t −1 t −2 t −p t−1 t −2 t−q t −1 t 其中，f (i) 为函数；EX 为外生变量，a 为随机扰动项。 t −1 t 记μ= E [X t ] ，则随机变量X t 的条件方差形式一般为 V( X ) = E[ X −μ]2 t t 2 2 2 2 = f (V ,V , ,V ;ε , ε , , ε ;EX ) t − t − t −p t − t − t −q t− 1 2 1 2 1 其中，V (i =1,2, , p) 为方差项， 2 为冲击项，EX 2 为外生变 ε (j = 1, 2, ,q ) t −1 t −i t −j 量的平方项。 以上模型解决了模型的具体形式、变量的滞后期和随机扰动项的结构，这一 模型我们称之为结构式模型。 3.2.1.1 一元GARCH类模型 1.均值方程 关于均值方程的估计方法是比较多的，常见的方法主要包括AR(p ) 、MA(q) 和ARMA(p , q) 方法，以及含有外生变量的ARMA(p , q) 类模型。具体模型如下： （1）自回归AR(p ) 模型 X = α+ βX + β X + + β X +a t 1 t −1 2 t−2 p t −p t 如果随机扰动项是一个白噪声（即a = ε ），则称之为一纯AR(p ) 过程。 t t （2 ）移动平均MA(q) 模型 若随机扰动项不是一个白噪声，通常认为它是一个 q 阶的移动平均过程 MA(q) ： a = ε −θε −θε −θε t t 1 t−1 2 t −2 q t −q （3 ）自回归移动平均ARMA(p , q) 模型 将AR(p ) 和MA(q) 结合起来，可自然得到一个自回归移动平均ARMA(p , q) 模型 X = α+ βX + β X + + β X −θε −θε −θε + ε t 1 t −1 2 t−2 p t−p 1 t −1 2 t−2 q t−q t 以上模型中的变量均为内生的，如果加上外生变量，也可以类似构建含有外 生变量的ARMA(p , q) 类模型。 2.方差方程 现有的描述