复习课件§9.1数据的平稳性及其检验.ppt

一般地: 检验一个时间序列Xt的平稳性，可通过检验带有截距项的一阶自回归模型 Xt=?+?Xt-1+?t （*） 中的参数?是否小于1。 或者：检验其等价变形式 ?Xt=?+?Xt-1+?t （**） 中的参数?是否小于0 。 在第二节中将证明，（*）式中的参数?1或?=1时，时间序列是非平稳的; 对应于（**）式，则是?0或? =0。 演示课件 因此，针对式 ?Xt=?+?Xt-1+?t 我们关心的检验为：零假设 H0：?=0。 备择假设 H1：?0 上述检验可通过OLS法下的t检验完成。 然而，在零假设（序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。 Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为?统计量），即DF分布（见表9.1.3）。 由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。 演示课件 因此，可通过OLS法估计 ?Xt=?+?Xt-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。 演示课件 注意：在不同的教科书上有不同的描述，但是结果是相同的。 例如：“如果计算得到的t统计量的绝对值大于临界值的绝对值，则拒绝ρ=0”的假设，原序列不存在单位根，为平稳序列。 演示课件 进一步的问题：在上述使用 ?Xt=?+?Xt-1+?t 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，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。 为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller ）检验。 2、ADF检验 演示课件 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,检验 H0：?=0，即存在一单位根。模型1与另两模型的差别在于是否包含有常数项和趋势项。 演示课件 实际检验时从模型3开始，然后模型2、模型1。 何时检验拒绝零假设，即原序列不存在单位根，为平稳序列，何时检验停止。否则，就要继续检验，直到检验完模型1为止。 检验原理与DF检验相同，只是对模型1、2、3进行检验时，有各自相应的临界值。 表9.1.4给出了三个模型所使用的ADF分布临界值表。 演示课件 演示课件 同时估计出上述三个模型的适当形式，然后通过ADF临界值表检验零假设H0：?=0。 1）只要其中有一个模型的检验结果拒绝了零假设，就可以认为时间序列是平稳的； 2）当三个模型的检验结果都不能拒绝零假设时，则认为时间序列是非平稳的。 这里所谓模型适当的形式就是在每个模型中选取适当的滞后差分项，以使模型的残差项是一个白噪声（主要保证不存在自相关）。 一个简单的检验过程： 演示课件 一、问题的引出：非平稳变量与经典回归模型 演示课件 ⒈常见的数据类型 到目前为止，经典计量经济模型常用到的数据有： 时间序列数据（time-series data)； 截面数据(cross-sectional data) 平行/面板数据（panel data/time-series cross-section data) ★时间序列数据是最常见，也是最常用到的数据。 演示课件 ⒉经典回归模型与数据的平稳性 经典回归分析暗含着一个重要假设：数据是平稳的。 数据非平稳，大样本下的统计推断基础——“一致性”要求——被破怀。 经典回归分析的假设之一：解释变量X是非随机变量 放宽该假设：X是随机变量，则需进一步要求： (1)X与随机扰动项 ? 不相关∶Cov(X,?)=0 依概率收敛： (2) 演示课件 第（2）条是为了满足统计推断中大样本下的“一致性”特性： 第（1）条是OLS估计的