非平稳时序-计量经济学-EVIEWS建模.pptVIP

非平稳时序介绍;一、时序数据的非平稳问题;⑶平稳过程可转化为无限阶的MA过程，且各干扰项为白噪声过程，其长期预测趋于无条件均值limYt→∞＝μ；

⑷平稳时序的预测误差的方差有界。

⑸因为平稳的条件是∑ωj1，所以进入系统的干扰对系统的影响是随着时间的增加而逐渐衰减趋于0；非平稳过程的干扰对系统的作用往往是持久的、或非衰减等无规则的过程。

符合上述五条特征的随机过程为平稳过程，反之，有不符之处的过程都是非平稳过程。;平稳时序的分布特性图示：;由于回归建模的基本假设之一就是数据序列是平稳的，而遗憾的是现实的经济数据多是非平稳的。

如果对非平稳的经济现象采用平稳的分析方法，很可能将本来与被解释变量没有因果关系的现象纳入到回归方程的解释变量中，且通过t检验认为是显著的，就会产生所谓的伪回归问题。

关于伪回归的有关理论是由格兰杰Granger和纽博尔德Newbold在1974年提出的，对其理论解释与完善是由菲利浦斯Phillips在1986年完成的。;二、对时序趋势的观察与基础分类;㈠确定性趋势过程;㈡随机性趋势过程;⒉随机游动过程的基本特性

第一，该模型可以变形表述为：

∵Yt=Yt-1+εt=Yt-2+εt-1+εt=Yt-3+εt-2+εt-1+εt

∴Yt=Y0+∑j=0→t-1?t-j；→Yt＝∑j=0→??t-j

可见，属于AR⑴的随机游走过程可以转化为无限阶的移动平均MA过程。这说明随机游走过程就是在初始水平的基础上，各期随机干扰作用所形成的总和。更说明随机游走具有较强的一期记忆性。;利用0~1之间随机数据模拟的该过程与现实的对比：;⒈最基本形式(A式);⒉带漂移项的形式(B式);C式的形式最为一般，对其变形我们会发现：

Yt=α0+βt+Yt-1+εt

=α0+βt+(α0+β(t-1)+Yt-2+εt-1)+εt=…

=Y0+α0t+βt2-β(1+2+…+t)+∑εi

=Y0+α0t+βt2–β(1+t)t/2+∑εi

=(α0-β/2)t+βt2/2+∑εi(设定Y0=0)

可见它不但含有随机趋势和确定性趋势，而且还包含关于时间t的2次方项所形成的非线性趋势过程。;㈡Beveridge-nelson的时序构成;㈢WalterEnders的时序基本构成;四、非平稳时序的基本特征;㈡单位根过程;因一个随机过程{Yt}必须经过d次差分之后可以变换成一个平稳可逆的ARMA过程，所以我们可以引入d阶单整过程，将一般时序模型表述为自回归成份AR、非平稳成份I、及移动平均成份MA的组合，即为ARIMA(p,d,q)；其中:p为自回归阶数、d为单整阶数、q为移动平均的阶数。这样，对于平稳过程单整阶数为零，而d大于零时才是单整过程。

在社会经济现象中，多数是非平稳过程。但是它们经过一、两次的差分之后，基本上就可以转化为平稳的序列了。;ARIMA(p,d,q)的不同表现形式：

⑴当p＞0、d＝0、q=0时，为AR(p)过程；

⑵当p=0、d＞0、q=0时，为I(d)过程；

⑶当p=0、d＝0、q＞0时，为MA(q)过程；

⑷当p＞0、d＝0、q＞0时，为ARMA(p,q)过程；

⑸当p＞0、d＞0、q=0时，为ARI(p,d)过程；

⑹当p＝0、d＞0、q＞0时，为IMA(d,q)过程；

⑺当p＞0、d＞0、q＞0时，为ARIMA(p,d,q)过程；;ARIMA(p,d,q)模型的一般表达式为：

A(L)(1-L)dYt=μ0＋W(p)εt

其中：A(L)＝1-α1L-α2L2-…-αpLp是AR滞后多项式；

(1-L)dYt是Y的d次差分，即单整滞后多项式；

W(L)＝1-ω1L-ω2L2-…-ωqLq是MA滞后多项式。

μ0有两种情况：

①是当d=0时，Y是平稳过程，则它是均值过程μ0＝μ(1-α1-α2-…-αp);

②当d≥1时，属于确定性趋势。