时间序列模型讲义(PPT页) .pptxVIP

第五章 时间序列模型; 在时间序列模型的发展过程中，一个重要的特征是对统计均衡关系做某种形式的假设，其中一种非常特殊的假设就是平稳性的假设。通常一个平稳时间序列能够有效地用其均值、方差和自相关函数加以描述。本章首先通过讨论回归方程扰动项通常会存在的序列相关性问题，介绍如何应用时间序列数据的建模方法，修正扰动项序列的自相关性。进一步讨论时间序列的自回归移动平均模型（ARMA模型），并且讨论它们的具体形式、估计及识别方法。 ; 由于传统的时间序列模型只能描述平稳时间序列的变化规律，而大多数经济时间序列都是非平稳的，因此，由20世纪80年代初Granger提出的协整概念，引发了非平稳时间序列建模从理论到实践的飞速发展。本章还介绍了非平稳时间序列的单位根检验方法、ARIMA模型的建模方法、协整理论的基本思想及误差修正模型。 ;§5.1 序列相关及其检验 ;§5.1.1 序列相关及其产生的后果 ; 由于通常假设随机扰动项都服从均值为0，同方差的正态分布，则序列相关性也可以表示为： (5.1.4) 特别的，如果仅存在 (5.1.5) 称为一阶序列相关，这是一种最为常见的序列相关问题。 ; 如果回归方程的扰动项存在序列相关，那么应用最小二乘法得到的参数估计量的方差将被高估或者低估。因此，检验参数显著性水平的t统计量将不再可信。可以将序列相关可能引起的后果归纳为： ; EViews提供了检测序列相关和估计方法的工具。但首先必须排除虚假序列相关。虚假序列相关是指模型的序列相关是由于省略了显著的解释变量而引起的。例如，在生产函数模型中，如果省略了资本这个重要的解释变量，资本对产出的影响就被归入随机误差项。由于资本在时间上的连续性，以及对产出影响的连续性，必然导致随机误差项的序列相关。所以在这种情况下，要把显著的变量引入到解释变量中。; EViews提供了以下3种检测序列相关的方法。 1．D_W统计量检验 Durbin-Watson 统计量（简称D_W统计量）用于检验一阶序列相关，还可估算回归???型邻近残差的线性联系。对于扰动项ut建立一阶自回归方程： (5.1.6) D_W统计量检验的原假设：? = 0，备选假设是 ? ? 0。 ; 如果序列不相关，D.W.值在2附近。 如果存在正序列相关，D.W.值将小于2。 如果存在负序列相关，D.W.值将在2～4之间。 正序列相关最为普遍，根据经验，对于有大于50个观测值和较少解释变量的方程，D.W.值小于1.5的情况，说明残差序列存在强的正一阶序列相关。 ; Dubin-Waston统计量检验序列相关有三个主要不足： 1．D-W统计量的扰动项在原假设下依赖于数据矩阵X。 2．回归方程右边如果存在滞后因变量，D-W检验不再有效。 3．仅仅检验是否存在一阶序列相关。 其他两种检验序列相关方法：Q-统计量和Breush-Godfrey LM检验克服了上述不足，应用于大多数场合。 ; 2 . 相关图和Q -统计量 ; 2．偏自相关系数 偏自相关系数是指在给定ut-1，ut-2，…，ut-k-1的条件下，ut与ut-k之间的条件相关性。其相关程度用偏自相关系数?k,k度量。在k阶滞后下估计偏相关系数的计算公式如下 （5.2.27） 其中：rk 是在k阶滞后时的自相关系数估计值。 （5.2.28） 这是偏相关系数的一致估计。; 要得到?k,k的更确切的估计，需要进行回归 t = 1, 2, ?, T （5.2.29） 因此，滞后k阶的偏相关系数是当ut 对ut-1，…，ut-k 作回归时 ut-k 的系数。称之为偏相关是因为它度量了k期间距的相关而不考虑k -1期的相关。 ; 我们还可以应用所估计回归方程残差序列的自相关和偏自相关系数（在本章5.2.4节给出相应的公式）