第10章 时间序列数据的基本回归分析.pptVIP

伍德里奇 《计量经济学导论》（第4版） 主讲教师：张冠甲 国内外经典教材名师讲堂 第10章 时间序列数据的基本回归分析 　　第一篇 横截面数据特征 OLS方法与性质　　+ 时间因素 过渡 至 时间序列　　第二篇：时间序列分析　　—第10章 时间序列数据的基本回归分析　　—第11章 OLS用于时间序列数据的其他问题　　—第12章 其中的两类问题：序列相关和异方差　　—第18章 时间序列高深专题 　　本章要点　　时间序列的特征　　时间序列中随机性的含义　　分布滞后模型　　（重点）横截面数据分析的经典假定对应到时间序列后的变化　　时间趋势的处理方法 　　什么是时间序列数据？　　1．数据集中加入时间维度　　2．过去可能会影响未来，而不是相反 　　Q：横截面数据和时间序列数据的区别？　　从理解随机性入手　　横截面数据随机性的背后逻辑：随机抽样　　eg 居民工资与消费的数据　　甲：2002年的工资与消费　　乙：2006年的工资与消费　　丙：2007年的工资与消费　　丁：2014年的工资与消费　　时间序列数据：　　甲：2002年的工资与消费　　甲：2003年的工资与消费…… 　　如何理解时间序列中的随机性？　　规范地，一个标有时间脚标的随机变量序列被称为一个随机过程（stochastic process）或时间序列过程（time series process）。当我们搜集到一个时间序列数据集时，我们便得到该随机过程的一个可能结果或实现（realization）。　　随机性在于我们只能观察到一个可能的实现，不能让时间倒转重新开始这个过程。 　　以下标t 表示时间维度　　两类常用模型　　静态模型（static model）：被解释变量与解释变量只在同期具备函数关系　　例子：静态菲利普斯曲线 　　（有限）分布滞后模型　　有限分布滞后模型（finite distributed lag model，FDL）：容许一个或多个变量对y的影响有一定时滞。　　例子：自变量过去两期都对y有影响（二阶FDL）　　Q： 如何理解这个二阶FDL中的系数　　假设t 期之前，z恒为常数c　　在第t 期，z变为c+1　　从第t +1期，z变为c 　　进一步，假设每个时期误差项均为0　　显然：　　含义： 代表z在t 时期提高一个单位所引起Y的即期变化，通常被称作冲击倾向（impact propensity）或冲击乘数（impact multiplier）。 　　类似地　　另一个问题：z发生了永久变化会如何？　　Eg：从第t 期起，z永久性变为c +1 　　每一期y 提高了多少？　　两期后，y不再有进一步变化 　　等于z的永久性提高导致Y的长期变化，它被称为长期倾向（long-run propensity，LRP）或长期乘数（10ng-run multiplier）。 　　课后习题3（给出长期倾向LRP的另一种解释）　　假设 符合一个二阶FDL模型：　　令 代表 的均衡值， 代表 的均衡值，于是　　 试证明：由于 的变化引起 的变化等于长期倾向与 的变化之积，即　　证明：改写方程后求导得证 　　一般性定义： q 阶有限分布滞后模型　　回顾：OLS的高斯马尔科夫假定（第2章）　　线性于参数　　随机抽样　　解释变量的样本有变异　　零条件均值　　同方差性（可放宽）　　假定SLR.1（线性于参数）　　在总体模型中，因变量y与自变量x和误差（干扰）u的关系为： 　　对应于时间序列：也要求时间序列过程服从一个线性于参数的模型　　OLS中的高斯马尔科夫假定　　假定SLR.3（解释变量的样本有变异）　　x的样本结果即{xi，i=1，…，n}不是完全相同的数值。　　对应于时间序列中：　　假定TS.2（无完全共线性）　　在样本中（因而在潜在的时间序列过程中），没有任何自变量是恒定不变的，或者是其他自变量的一个完全线性组合。 　　OLS中的第二和第四条假定　　假定SLR.2（随机抽样）　　我们有一个样本容量为n的随机样本{（xi，yi）：i=1，2，…，n}，它服从假定SLR．1中的总体模型　　假定SLR.4（零条件均值）　　给定解释变量的任何值，误差的期望值都为零，即E（u|x）=0。　　合并为时间序列中　　假定TS.3（零条件均值）  　　如何理解这条假定？　　t 时期的误差项与每个时期的任何解释变量都无关。　　最理想情形：ut独立于X且E（ut）=0，此时假设自动成立。　　弱化的情形：同期外生性　　即要求误差项与同时期的解释变量无关：　　假