《§2.5实例时间序列问题》由会员分享，可在线阅读，更多相关《§2.5实例时间序列问题（8页珍藏版）》请在金锄头文库上搜索。
1、2.5 实例：时间序列问题,一、中国居民人均消费模型 二、时间序列问题,一、中国居民人均消费模型,例2.5.1 考察中国居民收入与消费支出的关系。,GDPP： 人均国内生产总值（1990年不变价） CONSP：人均居民消费（以居民消费价格指数（1990=100）缩减）。,该两组数据是19782000年的时间序列数据（time series data）；,1、建立模型 拟建立如下一元回归模型,采用Eviews软件进行回归分析的结果见下表,前述收入-消费支出例中的数据是截面数据（cross-sectional data）。,一般可写出如下回归分析结果：,(13.51) (53.47) R2=0.9
2、927 F=2859.23 DW=0.5503,2、模型检验,R2=0.9927 T值：C：13.51， GDPP：53.47 临界值: t0.05/2(21)=2.08 斜率项：00.38621，符合绝对收入假说,3、预测,2001年：GDPP=4033.1（元）（90年不变价）,点估计：CONSP2001=201.107 + 0.38624033.1 = 1758.7（元）,2001年实测的CONSP（1990年价）:1782.2元， 相对误差: -1.32%。,2001年人均居民消费的预测区间,人均GDP的样本均值与样本方差： E(GDPP)=1823.5 Var(GDPP)=982.0
3、42=964410.4 在95%的置信度下，E(CONSP2001)的预测区间为：,=1758.740.13 或： （1718.6,1798.8）,同样地，在95%的置信度下，CONSP2001的预测区间为：,=1758.786.57 或 （1672.1, 1845.3）,二、时间序列问题,上述实例表明，时间序列完全可以进行类似于截面数据的回归分析。 然而，在时间序列回归分析中，有两个需注意的问题： 第一，关于抽样分布的理解问题。 能把表2.5.1中的数据理解为是从某个总体中抽出的一个样本吗？,可决系数R2，考察被解释变量Y的变化中可由解释变量X的变化“解释”的部分。 这里“解释”能否换为“引起”?,第二，关于“伪回归问题”（spurious regression problem）。,在现实经济问题中，对时间序列数据作回归，即使两个变量间没有任何的实际联系，也往往会得到较高的可决系数，尤其对于具有相同变化趋势（同时上升或下降）的变量，更是如此。 这种现象被称为“伪回归”或“虚假回归”。,
