随机时间序列分析模型.pptx

§9.2 随机时间序列分析模型;经典计量经济学模型与时间序列模型 确定性时间序列模型与随机性时间序列模型;一、时间序列模型的基本概念及其适用性;1、时间序列模型的基本概念; 一般的p阶自回归过程AR(p)是 Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*); 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p,q）： ; 经典回归模型的问题： 迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。 然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。 有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。; 例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？ 或者时间序列显示出循环周期性行为，我们能否利用过去的这种行为来外推它的未来走向？ ●随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。 使用时间序列分析模型的另一个原因在于： 如果经济理论正确地阐释了现实经济结构，则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。; 例如，对于如下最简单的宏观经济模型：;上述模型可作变形如下：;二、随机时间序列模型的平稳性条件; 自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。 关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。;考虑p阶自??归模型AR(p) Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p +?t (*); 例9.2.1 AR(1)模型的平稳性条件。; 而AR(1)的特征方程;又由于;由平稳性的定义，该方差必须是一不变的正数，于是有 ?1+?21, ?2-?11, |?2|1;对应的特征方程1-?1z-?2z2=0 的两个根z1、z2满足： z1z2=-1/?2 , z1+z2 =-?1/?2 ; 对高阶自回模型AR(p)来说，多数情况下没有必要直接计算其特征方程的特征根，但有一些有用的规则可用来检验高阶自回归模型的稳定性：; 对于移动平均模型MR(q)： Xt=?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q 其中?t是一个白噪声，于是; 由于ARMA (p,q)模型是AR(p)模型与MA(q)模型的组合： Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q; 最后;三、随机时间序列模型的识别; 所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。 所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function， PACF ）。; 1、AR(p)过程 ; Xt=?1Xt-1+ ?2Xt-2 + ?t 该模型的方差?0以及滞后1期与2期的自协方差?1, ?2分别为;一般地，p阶自回归模型AR(p) Xt=?1Xt-1+ ?2Xt-2 +… ?pXt-p + ?t; 其中：1/zi是AR(p)特征方程?(z)=0的特征根，由AR(p)平稳的条件知，|zi|1; 因此，当1/zi均为实数根时，?k呈几何型衰减（单调或振荡）； 当