第十二讲平稳时间序列.ppt

第30页，共67页，星期日，2025年，2月5日AR(p)模型的预测和误差项性质第31页，共67页，星期日，2025年，2月5日第32页，共67页，星期日，2025年，2月5日第33页，共67页，星期日，2025年，2月5日自回归分布滞后模型(ADL)“自回归”：因变量的滞后值当作解释变量。“分布滞后”：回归中也包含了其他预测变量的多个滞后值(“分布滞后”)。如果解释变量包含因变量Yt的p阶滞后和其他预测变量Xt的q阶滞后，该自回归分布滞后模型称为ADL(p,q)。第34页，共67页，星期日，2025年，2月5日第35页，共67页，星期日，2025年，2月5日利用历史失业率预测通货膨胀变化短期Phillips曲线：较高的失业率通常伴随着未来通货膨胀率的下降。例如，1982年的平均失业率为9.7%，下一年通货膨胀率下降了2.9%，二者的相关系数为-0.36。第36页，共67页，星期日，2025年，2月5日第37页，共67页，星期日，2025年，2月5日我们可以建立一个ADL(4,1)模型：第38页，共67页，星期日，2025年，2月5日考虑到多阶滞后失业率可能会对模型更有帮助，因此我们再加入失业率的其他三个滞后项后，建立一个ADL(4,4)模型：第39页，共67页，星期日，2025年，2月5日第40页，共67页，星期日，2025年，2月5日平稳性时间序列第41页，共67页，星期日，2025年，2月5日平稳性时间序列的条件平稳时间序列的期望、方差、自协方差、自相关系数等数字特征均不随时间推移而改变。第42页，共67页，星期日，2025年，2月5日包含多个预测变量的时间序列回归第43页，共67页，星期日，2025年，2月5日第44页，共67页，星期日，2025年，2月5日时间序列回归模型的假设假定1：意味着扰动项ut与所有解释变量的整个历史全部无关。这保证了模型对滞后期数(p，q1，…qk)的设定是正确的。如果滞后期数的设定不正确，比如，真实模型还应该包括yt-(p+1)，但该项βp+1yt-(p+1)却被纳入扰动项ut中，则扰动项ut便与解释变量相关，导致OLS不一致。这个假设推广了AR和ADL模型中的假设。第45页，共67页，星期日，2025年，2月5日假定2：①部分为数据是从平稳分布中抽取的，所有t期数据分相同。即时间序列的每个时点都服从.i.i.d假设中的“同分布”部分，如果经济时间序列是非平稳的，则时间序列回归中会出现一系列问题：如预测有偏、预测是无效的(基于相同数据的其他预测方差更小)，或基于OLS的常规统计推断(例如，通过比较OLSt统计量与1.96进行检验)是有误的。②部分要求当间隔时间较长时随机变量是独立分布的。这个假设有时称为弱相关。第46页，共67页，星期日，2025年，2月5日Granger因果检验第47页，共67页，星期日，2025年，2月5日第1页，共67页，星期日，2025年，2月5日平稳时间序列非平稳时间序列第2页，共67页，星期日，2025年，2月5日利用回归模型进行预测由于遗漏变量的存在，回归系数不具有因果解释，但这个回归有助于父母预测没有公布的学区测试成绩。更一般地，即使没有一个系数具有因果关系的回归模型也能用于预测。从预测的角度看，模型能否提供尽可能准确的预测才是最重要的。虽然不存在完美预测，但回归模型能提供准确和可靠的预测。时间序列模型主要用于经济预测，因此，因果关系不是我们关心的重点。第3页，共67页，星期日，2025年，2月5日时间序列时间序列指的是同一个体在不同时点上的数据。对于离散时间{1,2,??,T}，记随机变量y的相应观测值为{y1,y2,…,yT}，时间序列可以分为平稳时间序列和非平稳时间序列。第4页，共67页，星期日，2025年，2月5日几个时间序列的例子第5页，共67页，星期日，2025年，2月5日第6页，共67页，星期日，2025年，2月5日第7页，共67页，星期日，2025年，2月5日从第4个图可以看出：股指日收益率在某一段时间内剧烈波动，而在另一段时间内又风平浪静。从理论上，这可以抽象为，当本期或过去若干期的波动（方差）较大时，未来几期的波动（方差）很可能也较大；反之亦然。换言之，方差大的观测值似乎集聚在一起，而方差小的观测值似乎也集聚在一起。这被称为“波动集群”（volatilityclustering）或“扎堆”。第8页，共67页，星期日，2025年，2月5日时间序列数据的这种特殊的异方差现象，被称为“自回归条件异方差”(ARCH)。Bollerslev(1986)对ARCH进行了推广，创建了GARCH