《【计量经济学课件】随机时间序列分析模型》由会员分享，可在线阅读，更多相关《【计量经济学课件】随机时间序列分析模型（5页珍藏版）》请在金锄头文库上搜索。
1、【计量经济学课件】随机时间序列分析模型9.2随机时间序列分析模型一、时间序列模型的基木概念及其适用性二、随机时间序列模型的平稳性条件三、随机时间序列模型的识别四、随机时间序列模型的估计五、随机时间序列模型的检验经典计量经济学模型与时间序列模型确定性时间序列模型与随机性时间序列模型一、时间序列模型的基木概念及其适用性1、时间序列模型的基本概念随机时间序列模型(time seriesmodeling)是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Xt=F(Xt-1, Xt-2, , ?t)建立具体的时间序列模型，需解决如下三个问题：(1)模型的具体形式(2)时序变量的滞后期(3)随
2、机扰动项的结构例如，取线性方程、一期滞后以及白噪声随机扰动项(？t二?t),模型将是一个1阶自回归过程AR(1)： Xt=?Xt-l+ ?t这里，？七特指一白噪声。一般的p阶自I口I归过程AR(p)是Xt=?lXt-l+ ?2Xt-2 + ,+ ?pXt-p + ?t (*)将纯 AR(p)与纯MA(q)结合，得到一个一,般的自回归移动平均(autoregressivemoving average)过程ARMA (p, q):经典问归模型的问题：迄今为止，对一个时间 序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程I叫归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构
3、，因此也常称为结构式模型(structuralmodel) o然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模 型是很困难的。有时，即使能估计出一个较为满意的因果关系I可归方程，但由于对某些 解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。例如，时间序列过去是否有明显的增长趋 势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地 位呢？或者时间序列显示出循环周期性行为
4、，我们能否利用过去的这种行为来外推它的 未来走向？ 随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变 化趋势。使用时间序列分析模型的另一个原因在于：如果经济理论正确地阐释了现实经 济结构，则这一结构可以写成类似于ARMA(p, q)式的时间序列分析模型的形式。例如，对于如下最简单的宏观经济模型：这里，Ct、It. Yt分别表示消 费、投资与国民收入。Ct与Yt作为内生变量，它们的运动是由作为外生变量的投资It 的运动及随机扰动项？t的变化决定的。上述模型可作变形如下：两个方程等式右边除去 第一项外的剩余部分可看成一个综合性的随机扰动项，其特征依赖于投资项It的行为。 如果It是
5、一个白噪声，贝U消费序列Ct就成为一个1阶自回归过程AR(1),而收入序列Yt 就成为一个(1, 1)阶的自I可归移动平均过程ARMA(1,1) o二、随机时间序列模型的平稳性 条件自I口I归移动平均模型(ARMA)是随机时间序列分析模型的普遍形式，白I口I归模型 (AR)和移动平均模型(MA)是它的特殊情况。关于这几类模型的研究，是时间序列分 析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。考虑p阶自回归模型AR(p)Xt=?lXtl+ ?2Xt-2 + , + ?pXt-p +?t (*)引入滞后算子(lag operator ) L： LXt=Xt-l, L2Xt=Xt-
6、2,LpXt二Xt-p (*)式变换为(1T1L- ?2L2-?pLp)Xt=?t max. bookll8 AR(1)模型的平稳性条件。而AR(1)的特征方程又由于由平稳性的定义，该方差必须是一不变的正数，于是有？1+?2 1, ?2-?1 1, |?2 1对应的特征方程 l-?lz-?2z2=0 的两个根 zl、z2 满足：zlz2=-l/?2 , zl+z2 =-?1/?2 对高阶日I叫模型AR (p)来说，多数情况下没有必要直接计算其特征方程的特征根，但有一 些有用的规则可用来检验高阶自I可归模型的稳定性：对于移动平均模型MR(q): Xt=?t - ?l?t-I - ?2?t-2 -
7、 ? - ?q?t-q 其中？t是一个白噪声，于是由于ARMA (p, q)模型是AR(p)模型与MA(q)模型的组合：Xt=?lXt-l+ ?2Xt-2 + , + ?pXtp + ?t - ?l?tl - ?2?t2 - ? -?Q?t-q最后(1)一个平稳的时间序列总可以找到生成它的平稳的随机过程或模型；(2) -个非平稳的随机时间序列通常可以通过差分的方法将它变换为平稳的，对差分后平稳的时间序列也可找出对应的平稳随机过程或模型。因此，如果我们将一个非平稳时间序列通过d次差分，将它变为平稳的，然后用一个平稳的ARMA(p, q)模型作为它的生成模型，则我们就说该原始时间序列是一个白I口I
8、归单整移动平均(autoregressive integratedmoving average)时间 序列，记为ARIMA(p,d,q)。例如,一个ARIMA(2, 1, 2)时间序列在它成为平稳序列之前先得差分一次，然后用一个ARMA(2, 2)模型作为它的生成模型的。当然，一个ARIMA(p, 0, 0)过程表示了一个纯AR(p)平稳过程；一个ARIMA(0, 0, q)表示一个纯MA(q)平稳过程。三、随机时间序列模型的识别所谓随机时间序列模型的 识别，就是对于一个平稳的随机时间序列，找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程
9、。所使用的工具主要是时间序列的自相关函数(autocorrelation function, ACF)及偏自相关函数(partial autocorrelation function, PACF )。1、AR(p)过程(1)自相关函数ACF 1阶自|可归模型AR(1) Xt=?Xt-l+ ?t的k阶滞后自协方 差为：Xt=?lXt-l+ ?2Xt-2 + ?t该模型的方差?0以及滞后1期与2期的自协方差？1, ?2分别为一般地，p阶自回归模型AR(p) Xt=?lXt-l+ ?2Xt-2 +, ?pXt-p + ?t 其中：1/zi 是 AR (p)特征方程?(z)=0的特征根，由AR(p)平
10、稳的条件知，|zi| 1;因此，当1/zi均为实数根时，？k呈儿何型衰减(单调或振荡)；当存在虚数根时，则一 对共扼复根构成通解中的一个阻尼正弦波项，？1呈正弦波衰减。(2)偏自相关函数从Xt中去掉XtT的影响，则只剩下随机扰动项?t,显然它与Xt-2无关，因此我们说Xt与Xt-2的偏自相关系数为零，记为在实际识别时，由于样木偏自相关函数rk*是总体偏自相关函数?k*的一个估计，由于样木的随机性，当k p时， rk*不会全为0,而是在0的上下波动。但可以证明，当kp时，rk*服从如下渐近正态分布：rk*N(O, 1/n)式中n表示样木容量。 因此，如果计算的业*满足对MA(1)过程MA(1)过
11、程可以等价地写成?t关于无穷序列Xt, Xt-1, 的线性组合的形式：其自协方差系数为与MA(1)相仿，可以验证MA(q)过程的偏自相关函数是非截尾但趋于零的。ARMA(p, q)的自相关 函数，可以看作MA(q)的自相关函数和AR(p)的自相关函数的混合物。当P=0时，它具有截尾性质；当q二。时，它具有拖尾性质；当P、q都不为0时，它具有拖尾性质从识别上看，通常：ARMA(p, q)过程的偏自相关函数(PACF)可能在P阶滞后前有几项明显的尖柱(spikes)，但从p阶滞后项开始逐渐趋向于零；而它的自相关函数(ACF)则是在q阶滞后前有几项明显的尖柱，从q阶滞后项开始逐渐趋向于零。四、随机时
12、间序列模型的估计AR(p)、MA(q)、ARMA(p,q)模型的估计方法较多，大体上分为3类：(1)最小二乘估计；(2)矩估计；(3)利用自相关函数的直接估计。下面有选择地加以介绍。1.AR(p)模型的Yule Walker方程估计利用实际时间序列提供的信息，首先求得日相关函数的估计值2. MA(q)模型的矩估计(1)MA模型的直接算法对于MA模型，(*)式相应地写成(2) MA(q)模型的迭代算法第二步，将第一次迭代值代入(*)式，计算出第二次迭代值3.ARMA(p,q)模型的矩估计第二步，改写模 型,求?1, ?2, ?, ?q以及?2的估计值4. AR(p)的最小二乘估计为了与AR(p)
13、模型的Yul( Walker方程估计进行比较，将(*)改写成：解该方程组，得到：需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。五、模型的检验由于ARMA(p,q)模型的识别与估计是在假设随机扰动项是一白噪声的基础上进行的，因此，如果估计的模型确认正确的话，残差应代表一白噪声序列。如果通过所估计的模型计算的样木残差不代表一白噪声，则说明模型的识别与估计有误，需重新识别与估计。在实际检验时，主要检验残差序列是否存在自相关。2、AIC与SBC模型选择标准另外一个遇到的问题是，在实际识 别ARMA(p, q)模型时，需多次反复偿试，有可能存在不止一组(p
14、,q)值都能通过识别检验。显然，增加P与q的阶数，可增加拟合优度，但却同时降低了自由度。因此，对可能的 适当的模型，存在着模型的“简洁性”与模型的拟合优度的权衡选择问题。其中，n为待估参数个数(p+q+可能存在的常数项)，T为可使用的观测值，RSS为残差平方和(Residualsum of squares)。在选择可能的模型时,AIC与SBC越小越好显然，如果添加的滞后项没右解释能力，则对RSS值的减小没有多大帮助，却增加待估参数的个数，因此使得AIC或SBC的值增加。需注意的是：在不同模型间进行比较时，必须选取相同的时间段。由第一节知：中国支出法GDP是非平稳的，但它的一阶差分是平稳的，即支出法GDP是I (1)时间序列。可以对经过一阶差分后的GDP建立适当的ARMA(p, q)模型。记GDP经一阶差分后的新序列 为GDPD1,该新序列的样本自相关函数图与偏自相关函数图如下：图形：样本日相关函数 图形呈正弦线型衰减波，而偏自相关函数图形则在滞后两期后迅速趋于()c因此可初步判 断该序列满足2阶自|口|归过程AR。设序列GDPD1的模型形式为有时，在用|口I归法 时，也可加入常数项。本例中加入常数项的I可归为：模型检验用建
