《分布滞后和自回归模型ppt课件》由会员分享,可在线阅读,更多相关《分布滞后和自回归模型ppt课件(68页珍藏版)》请在金锄头文库上搜索。
1、第九章第九章 分布滞后和自回归模型分布滞后和自回归模型 前言前言n前面各章根本上没有区别所用的数据终究是时间序列数据还是截面数据。但这两类数据在计量经济分析中还是有明显差别的。n时间序列数据是经济运动动态过程的数量记录,包含不同于横截面数据的特殊信息,可以进展动态计量分析,但时间序列数据的内在联络也能够给计量经济分析带来问题和困难。n本章引见利用时间序列数据进展动态计量分析的几个专题。下一章我们将对时间序列数据计量分析的一些问题进展分析。 本章构造本章构造 第一节 分布滞后模型 第二节 自回归模型 第三节 因果关系检验 第一节 分布滞后模型一、经济中的滞后效应和分布滞后模型二、分布滞后模型参数
2、估计一经济中的滞后效应一经济中的滞后效应n由于信息滞后、买卖周期和心思要素等多方面的缘由,经济行为、政策的作用,经济变量之间相互影响的效果,经常不是立刻表达出来,而是有时间延滞性或继续作用,会在以后一个时期内逐渐表达出来。 n这种景象就是滞后效应。滞后效应在经济问题中是普遍存在的。 n例如人们获得后通常不会立刻全部花掉,而是会在以后一个阶段分次破费,因此收入对人们消费的影响往往有时间滞后和继续的影响。 n滞后效应对经济问题的影响非常重要。要准确把握经济关系,特别是长期动态关系,防止预测和决策偏向,必需注重这种滞后效应。 n滞后效应可以直接经过滞后作用的描画来反映。 n例如假设某地消费者平均来说
3、在获得20000元收入后,会在当年消费掉8000元,下一年消费6000元,再下一年又消费4000元,余下2000元储蓄起来以备不时之需,那么意味着当年收入普通对当年消费会产生40%的作用,对下年消费会产生30%的作用,对再下年消费那么有20%的作用。 n为了横向比较方便等缘由,滞后效应也可以经过滞后期长度、短期效应、中期相应、半效应长度等进展衡量。 n例如上述收入对消费滞后效应的滞后期长度,也就是滞后效应的继续时间,总滞后效应完全实现的时间,为2年。滞后的短期效应当年效果为4/9,中期效应当年加次年效果为7/9。半效应长度,也就是滞后效应过半的时间长度,那么在1年之内。 n从另一个角度,滞后效
4、应也可以反过来了解为当期某目的受上期、再上期其他某目的的影响。 n例如上述消费滞后效应也可了解为,当年消费不仅遭到当年收入40%的影响,而且遭到上年收入30%、再上年收入20%的影响。用公式表示就是:n当然,消费者的消费行为普通不能够满足严厉函数关系,必然会要素随机要素干扰而有动摇。 n此外人们有维持消费程度相对稳定的倾向,在收入很低时也会设法坚持根本的生活程度,因此会有不受收入直接影响的根本消费。 n但上述公式反映了滞后效应的主要特征,只需进一步了解了根本消费,以此为根底就可以对消费开展的趋势和收入政策效果等作出有效的预测和分析。 二分布滞后模型n知存在滞后效应以及滞后效应的时间长度和构造时
5、,对滞后作用的分析预测是比较简单的。 n但现实中的问题经常是只知道能够存在滞后效应,滞后效应能否确实存在,滞后效应的继续长度,及其构造方式都是未知的。 n例如消费滞后效应问题能够是:n或:n 模型中的 是反映根本消费的常数, 等是反映滞后效应构造的系数,这些参数的数值,能否显著都是未知的,需求根据收入和消费数据经过计量分析估计。n有时反映滞后期长度的K也是未知的,也需求经过分析确定。 n这种模型正是分析判别滞后效应的存在性及其方式,研讨经济行为、经济关系中滞后作用的根本模型,称为“分布滞后模型 。n实际上可以思索有无限多滞后项的分布滞后模型:n这种分布滞后模型通常称为“无限分布滞后模型,相比之
6、下,只需有限个滞后项的分布滞后模型那么称为“有限分布滞后模型。 n普通可采用以下规范化表达式分别表示有限分布滞后模型和无限分布滞后模型: n无限分布滞后模型:有无限多滞后项n有限分布滞后模型:有限个滞后项 n此外,在思索一个解释变量对被解释变量的影响和滞后作用如收入对消费以外,还可以同时思索其他解释变量对被解释变量的影响,甚至同时思索多个解释变量作用的滞后效应等。 n分布滞后模型方式上是含有解释变量滞后项的多元回归模型。 n但分布滞后模型主要用来研讨经济变量作用的时间滞后效应、长期影响,以及经济变量之间的动态影响关系,可用于评价经济政策的中长期效果,属于动态计量分析的范畴。 二、分布滞后模型参
7、数估计n用分布滞后模型研讨滞后效应,进展预测分析和评价政策效果之前,先要估计模型中的未知参数。 n分布滞后模型方式上与普通的多元线性回归类似,但由于引进多个滞后变量和滞后期长度难以确定,分布滞后模型的参数估计与普通多元线性回归模型有所不同。 n分布滞后模型的参数估计首先要处理的问题是滞后长度确定,或者如何在未知滞后长度时估计参数。 一现式估计法n现式估计法适用滞后长度不确定的分布滞后模型。 n为理处理滞后长度不定的困难,可以依次估计有滞后效应变量的一期滞后、两期滞后,当发现滞后变量参与的最多期滞后的回归系数在统计上开场变得不显著,或至少有一个变量的系数改动符号由正变负或由负变正时,就不再添加滞
8、后期,把此前一个模型作为分布滞后模型的方式,相应参数估计作为模型的参数估计。 n这种分布滞后模型的参数估计方法就是现式估计法。这种参数估计方法只是普通最小二乘估计的反复运用,易于掌握。 n但现式估计法也有问题。首先滞后长度确实定没有明确的规范、根据;其次是引进较多期滞后会降低自在度,回归分析的有效性会降低;第三是滞后变量之间的相关性能够引发共线性问题;此外被以为有数据开采的嫌疑。 二先验约束估计n分布滞后模型参数估计的另一类方法,是利用某种先验信息和阅历设定分布滞后模型的滞后方式,从而简化分布滞后模型的函数方式,方便参数估计。这类方法称为“参数约束法。 n最重要的参数约束法是阿尔蒙多项式法和考
9、伊克方法。 1. 阿尔蒙多项式法n适用于知滞后长度,但滞后长度较长的有限分布滞后模型。n这类模型的主要困难是参数数量较多,导致估计困难。 n根本思想:以滞后期i 的一个适当次数的多项式,模拟分布滞后模型的系数。 n可分别模拟单调下降、先升后降,以及循环变化等不同的滞后效应类型。 n设一个有限分布滞后模型为: n也可以写成:n阿尔蒙以为可以用如下i 的多项式模拟 的变化: n当 时,即: n当 时,即: n 等。其他依次类推。n不难看出,阿尔蒙多项式所设定的滞后参数变化方式,根据所选择的多项式次数m的不同,分别对应线性变化衰减,先增后减的二次函数变化,以及较复杂的高次曲线变化等。衰减速度那么取决
10、于 、 等参数。 n反过来说,当我们经过对详细问题滞后效应的分析,初步判别滞后效应的变化方式符合上述线性变化,先增后减二次曲线变化,或其他高次曲线形状变化时,就可以选定相应的m和滞后参数多项式。 n普通来说,常见的滞后参数变化方式的m在1到4之间。 n确定了滞后参数多项式以后,将这些多项式代入分布滞后模型进展变换。 n以m2的情况为例。 n把 代入前述分布滞后模型,可得: n假设令 , ,n那么模型变为:n很显然,上述 、 和 只是 及其各期滞后的线性组合,因此仍是非随机的或与误差项无关。 n因此可用OLS法对该式进展参数估计,得到估计值 n最后,只需求把这些估计值代入滞后参数多项式,就可以得
11、到得到各个滞后参数的估计值:n n阿尔蒙多项式法可以把需求估计的参数数量减少到有限的几个,是处理滞后效应较长的分布滞后模型参数较多困难的有效方法。 n但这种方法也有局限性。首先运用阿尔蒙多项式法必需先知道分布滞后模型的滞后长度,由于X变量变换为变量Z时K必需是知的。 n其次是滞后效应的方式,对应于m,也必需预先知道,这就很难以防止判别的客观偏向。n最后上述变量变换会缩短样本长度,因此并不能完全处理分布滞后模型参数估计的自在度问题。 n当样本容量并不是很大,滞后期长度较长时,依然无法得到有效的估计结果。 2. 考伊克方法 n考伊克方法在一定程度上可以弥补阿尔蒙多项式法的缺乏,处理其部分问题。n考
12、伊克方法方式上是针对无限分布滞后模型:n n但由于普通来说随着滞后期的添加滞后效应总是不断减小,滞后期很大的项非常接近0。因此无限分布滞后模型与滞后长度较长的有限分布滞后模型并没有很大差别,考伊克方法也可处置有限分布滞后模型,特别是滞后长度较长的有限分布滞后模型。 n思绪是:假设分布滞后模型中的未知参数 都有一样的符号,并按照几何级数n 衰减。其中 。n这种 函数有以下根本特点:n1 不变号; n2 是k的减函数; n3 越小,衰减速度越快,称为衰减率 n4长期乘数有限。 图9.2 考伊克方法参数衰减方式滞后时间n考伊克方法模型设定的滞后参数模型,与现实经济中许多滞后效应变化规律确实是一致的,
13、因此有重要的价值。 n有了上述滞后参数变化方式,就可以对分布滞后模型进展变换。 n首先作考伊克变换,即把 代入模型,得到: n该模型依然含有无限多项,但其中的参数曾经只需3个了。只需我们再把模型滞后一期得:n进一步得:n整理得: n这就得到了一个比较简单的,只需两个解释变量,三个未知参数的多元回归模型。 n只需先把这三个未知参数估计出来,再代回滞后系数函数,就可以得到原模型一切参数的估计值,从而抑制无限分布滞后模型参数估计的困难。 n不过,上述模型中出现了一个新的问题,那就是被解释变量的滞后变量 作为解释变量的情况,而且由于模型的误差项改动后一定与 有关,因此普通最小二乘估计不再适用,必需用工
14、具变量法等进展估计。n其实,存在被解释变量的滞后变量作为解释变量的模型,也是我们要专门讨论的,称为“自回归模型。 考伊克方法的优劣性n考伊克方法经过引进特定的滞后构造,把包含无穷多参数的无限分布滞后模型,转化为仅含三个未知参数的线性回归模型,并能最大限制地降低共线性等问题,因此在一定程度上是比阿尔蒙多项式法更好的一种方法。 n不过,考伊克方法依然有本身的弱点和局限性。由于这种方法中所设定的滞后构造方式也有客观性,而且只能反映一切系数同号,滞后系数单调下降,按几何级数下降的滞后效应,对于其他情况那么无法反映。 n此外把无限分布滞后模型转化为自回归模型,实践上又会引起新的问题,需求进一步的抑制处理
15、方法。n例91。详见Eviews演示。 第二节第二节 自回归模型自回归模型一、自回归效应和自回归模型 二、自回归模型的实际导出三、自回归模型参数估计四、自回归模型的误差序列相关检验一、自回归效应和自回归模型n上一节运用考伊克方法处理无限分布滞后模型参数估计问题时,得到了一个含有被解释变量一阶滞后变量的模型。 n其实,被解释变量的滞后变量作为模型解释变量的情况,在时间序列数据计量分析中经常会涉及到。这种特定经济变量本身的跨期影响称为“自回归效应。 n思索这种影响,把被解释变量的滞后变量作为解释变量的回归模型,通常称为“自回归模型。 n自回归模型对我们来说其实并也不是全新的概念,由于前面讨论的线性
16、回归模型的误差序列相关就是误差项的自回归模型。 n经济变量之间的自回归效应并不是只需在变量的相邻两期程度之间存在,相隔较远的时期之间也能够存在。这时候就是带更多阶滞后项的自回归模型,例如: n 普通地,可以思索带S期滞后被解释变量和K个其他解释变量的自回归模型:n此外,假设我们思索同时存在自回归效应和分布滞后效应,那么模型可进一步开展为:n这种模型也可以称为“自回归分布滞后模型。自回归分布滞后模型普通都可以经过适当方法转变为纯粹的自回归模型,或完全的分布滞后模型。 二、自回归模型的实际导出n这里我们以顺应性预期实际的计量经济模型为例,来阐明这种自回归模型的建模途径。 n根据预期实际,人们的经济
17、行为很大程度上与人们对经济变量未来程度的预期有关,甚至有些情况下完全取决于这种预期。 n这可以经过以下预期模型反映:n其中 即人们在t 时期对X变量t+1时期程度的预期。 n运用这种模型必需先处理一个问题,那就是模型中的预期变量无法观测的问题。n处理这个问题的通常方法是设定预期构成或修正的方式,代入预期模型从而设法消除模型中的预期变量。 n常见的预期方式有理性预期和顺应性预期两种,这里采用其中的顺应性预期。 n顺应性预期可以用以下公式来表示:n其中 和 分别是当期和前期对后一期X程度的预期, 是t 时期X的实践程度, 称为“预期系数。 n该预期模型的意义是,人们构成新预期的方式,是在前期预期的
18、根底上,根据前期预期的偏向作适当的修正。 n为了用这种顺应性预期处理预期模型中预期变量无法观测的问题,首先把顺应性预期模型改写为:n将该式代入前述预期模型得: n为了进一步消去模型中预期变量的滞后变量 ,将原预期模型滞后一期得:n进一步得到:n这个模型中不包含任何预期变量,是一个带一阶自回归项的自回归模型。 三、自回归模型参数估计n普通自回归模型中思索的自回归效应长度,也就是被解释变量的滞后期长度,不象分布滞后模型的滞后期那么长。n而且一阶自回归效应占很大比重,因此自回归模型的参数估计普通不存在参数数量方面的困难。 n但自回归模型的参数估计依然能够存在问题。 n由于自回归模型的自回归项,也就是
19、被解释变量的滞后变量,必然是随机变量。 n假设这些自回归项与误差项有关 ,那么普通最小二乘估计就不适用,必需采用工具变量法或其他方法进展参数估计。n我们先用两变量线性回归模型引见工具变量法。 n设模型为:n 其中解释变量X不仅是随机变量,而且与误差项有强相关性。 n工具变量法的思绪是利用既与X相关性较强,又与误差项没有相关性或渐近不相关的一个“工具变量Z,构造模型参数的一致估计量。 n首先对模型作离差变换:n两边再乘 的离差 并求和,得n然后两边除以 ,有: n由于Z与X的相关性强,而与误差项渐近不相关,因此当样本容量增大时上式最后一项越来越小,其概率极限为0。 n因此把上式左边取作 的估计量
20、,一定是n 的一致估计量。这个估计量称为 的“工具变量法估计,记作: n用“工具变量法称这种参数估计方法的缘由是,变量Z本身并不是影响Y的解释变量,只是在估计 的过程中起“工具作用。n得到 的工具变量法估计以后, 的估计依然可以利用 的估计得到:n我们也称它为 的工具变量法估计。 n多元线性回归分析同样可以用工具变量法进展参数估计,方法同样是用一组工具变量的离差乘模型的离差方式求和,再取概率极限后求解方程组。 n每个与误差项有强相关性的解释变量都要找一个工具变量,与误差项相关性不强的解释变量那么可以作本人的工具变量。 n工具变量的选择是很有讲究的。 n普通原那么是工具变量必需与所“替代的解释变
21、量相关性较强,而与模型误差项相关性弱。 n要符合这样的要求,必需对变量的性质,及它们与模型全体变量的关系等有较多的了解。并要特别留意防止引起多重共线性问题。 n上述自回归模型通常用解释变量的相应滞后变量作被解释变量滞后变量的工具变量,或者先对原模型进展回归以后,用被解释变量的实际值内插检验值的相应滞后作工具变量。 n工具变量法参数估计量的详细计算实践上也可以由计量软件完成。在EViews中工具变量法估计的功能,包含在两阶段最小二乘估计中。 n例92。详见Eviews演示。四、自回归模型的误差序列相关检验n自回归模型中随机变量作解释变量遇到的另一个问题是,对模型误差项的误差序列自相关性检验。自回
22、归模型的特点阐明,这一类模型存在误差序列相关问题的能够性很大。 n要保证估计的有效性,必需进展误差序列相关性检验。 n但问题是自回归模型必然有随机解释变量,而对于有随机解释变量的模型,通常检验误差序列自相关性的DW检验是不适用的。 n杜宾提出了一种适用检验这种模型一阶自相关性的H 统计量,也称为“杜宾H 检验。 n这种H统计量的计算公式为n 其中 为模型误差项的一阶自回归系数估计量。n可以用DW 值计算: nn为样本容量, 为模型中一阶自回归项 系数估计量的方差。n杜宾证明在不存在误差序列相关时,上述H统计量服从规范正态分布,可以根据正态分布表进展H的显著性检验,而H的显著性检验那么可以代表误
23、差序列一阶自相关存在性的检验。 n杜宾H检验详细方法如下:n 给定显著性程度 ,查正态分布表得临界值 。n 假设 ,以为模型存在一阶自相关;n 假设 ,那么以为不存在一阶自相关。 第三节第三节 因果关系检验因果关系检验n一、经济变量之间的因果性问题一、经济变量之间的因果性问题n二、格兰杰因果性检验二、格兰杰因果性检验一、经济变量之间的因果性问题n经济变量的因果性其实是很复杂的问题,实际上存在因果关系的变量现实中并不一定存在因果关系,有因果关系的变量之间谁为因谁为果也并不容易清楚。 n由于没有因果关系的变量之间经常有很好的回归拟合,把回归模型的解释、被解释变量倒过来经常也可以拟合得很好,因此回归
24、分析本身不能检验因果关系的存在性,也无法识别因果关系的方向。 n经过对变量关系更深化、细致的分析,排除因果关系的误设,加强对回归模型中变量间因果关系的自信心,是处理上述因果关系疑问的方法之一。 n采用联立方程组模型也是处理上述因果关系疑问的一种方法。由于联立方程组模型中可包含不同变量相互作为缘由和结果的情况,可以在一定程度上逃避确定经济变量之间终究谁为因谁为果的困难。 n处理上述因果关系疑问的第三种方法是忽略计量回归模型的因果性隐含,前提是可以进展有效的预测。经济变量间因果关系的疑问,往往导致计量回归分析的根底和价值遭到影响。 n当然,假设可以对经济变量之间的因果性进展检验,为实际上的因果关系
25、寻觅统计、实证方面的支持和根据,对于计量经济回归分析价值显然是有力的支持。 二、格兰杰因果性检验n格兰杰检验就是运用统计技术检验经济变量因果性的方法。 n根本原理是利用经济关系发扬作用的时间差和滞后效应,根据经济变量各自的前期目的滞后变量反映相互在解释、影响对方目的中的显著程度,来判别因果关系的存在性和方向。n格兰杰检验的特点决议了它只能适用于时间序列数据模型的因果性检验,无法检验横截面数据变量间的因果性,并且必然用到分布滞后、自回归模型。 n这里用比较简单的X、Y两变量关系阐明格兰杰因果性检验的详细方法。 n由于因果性检验是针对因果关系不清楚或有疑问的变量,因此普通格兰杰检验总是进展双向的检
26、验,即同时检验X是Y的缘由还是Y是X的缘由。n为了检验X 的前期程度能否对Y 的后期程度产生影响,格兰杰因果性检验通常采用如下的分布滞后模型进展检验:n上述模型中X 的分布滞后项正是要调查的能否对Y 当前程度有影响的要素,它们的系数反映了这种影响,也就是因果性的存在。 n而其中Y 的各阶自回归项那么是为了排除把自回归效应误作分布滞后效应,得出错误结论的能够性。 n在该模型的根底上检验X对Y的因果性,就是检验如下假设:n该假设普统统过构造如下的F统计量来检验的:n其中 是 下的误差平方和, 为备择假设下 的误差平方和,p是滞后长度。 n有了上述F分布统计量,可以根据F分布的临界值表,判别原假设
27、能否成立,从而选择是回绝还是接受存在X 影响Y 的因果性的结论。 n反过来,假设要检验Y影响X的因果性,现实上方法也是一样的。 n只需用模型:n 进展回归,并构造出相应的F统计量,检验假设: 即可。 需求留意的问题n值得留意的是,格兰杰因果性检验的结论只是统计意义上的因果性,而不一定是真正的因果关系。 n虽然可以作为真正因果性的一种支持,但不能作为一定或否认因果性的最终根据。 n当然,即使格兰杰因果性不等于实践因果关系,也并不妨碍其参考价值。由于统计意义上的因果性也是有意义的,对于经济预测等依然能起很大的作用。n上述格兰杰因果性检验还有一个需求留意的问题,即回归模型中分布滞后、自回归项滞后长度p和q的选择问题。 n普通来说这两个滞后长度的选择是恣意的,但有时不同的滞后长度会导致检验的结果发生变化,这时候对于因果性判别的结果就要比较谨慎。