- 1、本文档共39页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
第一章常用计量经济模型
第一章常用计量经济模型
第一节时间序列的外推、平滑和季节调整
一、时间序列的成分
趋势成分〔Trend〕、循环成分〔Cyclical〕、
季节成分〔Season〕、不规那么成分〔
Irregular〕
二、简单外推模型
〔适用于yt有一个长期增长的模式〕
由时间序列过去行为进行预测的简单模型
1、线性趋势模型
y=c+ct
t12
2、指数增长趋势模型
两边取对数
3、自回归趋势模型
对数自回归趋势模型
4、二次曲线趋势模型
[例1]百货公司销售预测
美国商业部:1986年1月至199年12月百货公司
的月零售额〔亿元〕
三、平滑技术
〔目的是“消除〞时间序列中的不规那么成分引起的随
机波动,适用于稳定的时间序列〕
1、移动平均模型
移动平均数=最近n期数据之和/n
例如3期移动平均
中心移动平均
3期中心移动平均
2、指数加权移动平均模型
〔EWMA—ExponentiallyWeightedMovingAverages〕
即
α越小,时间序列的平滑程度越高。
[例2]美国月度新建住房数〔1986年1月至1995年10月
〕
四、季节调整
〔目的是“消除〞时间序列中的季节成分引起的随机波
动〕
CensusⅡ移动平均比值法
(美国普查局开发的标准方法(RatiotoMoving
)Averages)
RatiotoMovingAverages——Multiplicative
第一步用中心移动平均平滑序列yt
对于月度资料
对于季度资料
此时可大致认为已无季节和不规则波动,可看作的估计
第二步估计S×I
令
z即为S×I的估计t
第三步消除不规那么变动,得到S的估计
例如,对于月度数据,假定y1是1月份的数据,
对S×I
掉I。
y2是1月份的数据,
y3是1月份的数据,
y4是1月份的数据,总共4
年数据。
那么
第四步调整S的估计,使其连乘积等于1或和等于12。
第二节随机时间序列模型
根本假定:时间序列是由某个随机过程生成的。
在一定条件下,我们可以从样本观察值中估计
随机过程的概率结构,这样我们就能够建立序列的
模型并用过去的信息确定序列未来数值的概率。
常用模型:AR模型、MA模型、ARMA模型、ARIMA模型、
VAR模型、ECM等。
一、平
文档评论(0)