时间序列模型的分析课件.pptxVIP

第五章 时间序列模型的分析 本章讨论时间序列的基本概念与相关模型,介绍这些模型的特点、参数估计方法和检验方法. 第一节 时间序列模型简介 时间系列数据(time series data)是以时间顺序排列的数据序列，是经济学研究中的一种常见数据形式。图5-1给出了一个时间序列的基本例子(不同年份的 GDP 与财政收入的时间序列数据)。 时间序列模型(time series model) 研究和分析时间序列数据的模型称为时间序列模型，时间序列方法已成为现代计量经济学的重要内容。 时间序列模型按时间序列的特性，分为不同的种类。例如根据时间序列的平稳性，可分为平稳时间序列和非平稳时间序列；而根据时间序列中变量的相关性，又可分为自回归模型、移动平均模型和自回归移动平均模型等。 时间序列的基本模型 (1)模型的函数形式； (2)滞后变量的个数； (3)误差项u的相关性。 一个时间序列模型的设定中，应包括三个要素：(5-1) 第二节 平稳时间序列模型 当时间序列 满足： (1) ， 即均值为常数； (2) ，即方差为常数 ； (3) ，即协方差与两个时间相距的长度 有关，而与时间的具体位置无关。则 称为平稳时间序列，或弱平稳序列或协方差平稳序列。 当时间序列的所有统计性质都不会随时间而发生变化时，称为严格平稳。本章主要采用弱平稳定义。 时序图 时序图通常由横轴表示时间，纵轴表示时间序列值。根据时序图可以直观地了解时间序列的一些基本分布特征。 图5-1是中国GDP和财政收入的时序图。由于GDP和财政收入有明显的递增趋势, 所以都不是平稳时间序列。 平稳时间序列的意义 传统的统计分析通常有如下的数据结构 一般, 时间序列的每个 只取得1个观察值时, 通常这样的数据是无法进行分析的。但由于序列的平稳性则可以有效地解决这一问题。 例 5-1 一个人的健康指标会随饮食、休息等因素而变化。若每隔一段时间 (如一个月) 检查一次身体，则当时间序列是平稳时，就可以根据样本数据估计健康指标的均值、方差和协方差。 白噪声时间序列(White noise time series)则称时间序列 为白噪声序列，或纯随机序列。 根据平稳时间序列的定义，白噪音序列是一个平稳时间序列。 如果时间序列 满足如下性质： 一、移动平均过程(MA )其中 和 为常数，而随机干扰 为白噪声。(5-3)式 称为一阶移动平均过程，记为MA(1)。 移动平均过程(moving average process，简称MA)是最基本的平稳时间序列模型，最简单的移动平均过程为(5-3) 由于时间序列 为白噪音序列，则 的均值、方差和协方差 分别为 MA(1)的统计性质(5-4)所以MA(1)是一个平稳时间序列，并可得相关系数(5-5) q 阶移动平均过程 q 阶移动平均过程记为MA (q)(5-6)其中 和 为常数。同样可得 q 阶移动平均过程(5-7)即MA (q)的方差和协方差只与滞后期数q有关，从而MA(q)也是一个平稳时间序列。为了方便, 今后记 无穷阶移动平均过程 q 阶移动平均过程可推广到无穷阶移动平均过程, 记为MA(∞), 当 绝对收敛(绝对可加)或平方收敛(平方可加)，即则MA(∞)仍为平稳时间序列。(5-9) 二、自回归过程(AR) 自回归模型(autoregressive model, 简称AR)是讨论时间序列的现期与其滞后变量间相关性的模型。 具有如下结构的模型称为p阶自回归模型，简记为AR(p)(5-10)其中 和 为常数， 为白噪声序列，且 ，即过去的序列值与干扰项无关。 一阶自回归模型 最简单的自回归模型为一阶自回归过程，简记为AR(1): 引进滞后算子 L ,即 ， 一般 。根据滞后算子，(5-11)可写为(5-11)AR模型并非都是平稳的，AR(1)平稳的充分条件是 。 (5-12) AR(1)的统计性质 设