eviews时间序列模型.pptVIP

检验结果显示，CPI序列接受原假设，因此， CPI序列是一个非平稳的序列。接着再对一阶差分?CPI序列进行单位根检验，ADF检验结果如下： * 第一百二十六页，共一百八十五页。 检验结果显示，一阶差分?CPI序列拒绝原假设，接受?CPI序列是平稳序列的结论。因此，CPI序列是1阶单整序列，即CPI～I(1)。 例9.9 检验中国GDP序列的平稳性 * 第一百二十七页，共一百八十五页。 3. PP检验 类似于DF检验的作用，Phillips和Perron（1988）提出一种非参数方法来检验一阶自回归过程AR(1)的平稳性(附加一个修正因子)，对于方程 (9.3.15) 原假设和备选假设为： * 第一百二十八页，共一百八十五页。 接受原假设，意味着存在一个单位根；反之，接受备选假设，意味着不存在单位根。PP检验(Phillips-Perron Test)也是通过构造一个具有t分布的统计量tp,p来检验的取值情况，只是此时t统计量的构造相对于DF检验的统计量更为稳健。 PP统计量tp,p的具体构造形式如下： * 第一百二十九页，共一百八十五页。 (9.3.17) 其中： 是式（9.3.15）回归残差方差的一致估计量，即 其中k是解释变量的个数。 (9.3.18) * 第一百三十页，共一百八十五页。 前述的AR(p)、MA(q) 和ARMA(p,q) 三个模型只适用于刻画一个平稳序列的自相关性。一个平稳序列的数字特征，如均值、方差和协方差等是不随时间的变化而变化的，时间序列在各个时间点上的随机性服从一定的概率分布。 然而，对于一个非平稳时间序列而言，时间序列的数字特征是随着时间的变化而变化的。 § 9.3 非平稳时间序列建模 * 第九十四页，共一百八十五页。 也就是说，对于一个平稳的时间序列可以通过过去时间点上的信息，建立模型拟合过去信息，进而预测未来的信息。 而非平稳时间序列在各个时间点上的随机规律是不同的，难以通过序列已知的信息去掌握时间序列整体上的随机性。因此，对于一个非平稳序列去建模，预测是困难的。但在实践中遇到的经济和金融数据大多是非平稳的时间序列。 * 第九十五页，共一百八十五页。 图9.9 中国1978年～2002年的GDP序列 * 第九十六页，共一百八十五页。 1. 确定性时间趋势和单位根过程 描述类似图9.9形式的非平稳经济时间序列有两种方法，一种方法是包含一个确定性时间趋势 (9.3.1) 其中ut是平稳序列；a + ? t 是线性趋势函数。这种过程也称为趋势平稳的，因为如果从式(9.3.1)中减去a + ? t，结果是一个平稳过程。注意到像图9.9一类的经济时间序列常呈指数趋势增长，但是指数趋势取对数就可以转换为线性趋势。 § 9.3.1 非平稳序列和单整 * 第九十七页，共一百八十五页。 另一种方法是设定为单位根过程，非平稳序列中有一类序列可以通过差分运算，得到具有平稳性的序列，考虑下式 (9.3.2) 也可写成 (9.3.3) * 第九十八页，共一百八十五页。 其中a是常数，ut是平稳序列，若ut ～ i.i.d. N (0, ? 2) ，且ut 是一个白噪声序列，则该过程称为含位移a的随机游走。若令a = 0， y0 = 0，则由式(9.3.2)生成的序列yt，有var(yt) = t? 2（t = 1, 2, ?, T），显然违背了时间序列平稳性的假设。而其差分序列? yt是平稳序列。 * 第九十九页，共一百八十五页。 实际上，在9.1节中讨论的回归方程的序列自相关问题是暗含着残差