ch时间序列模型jug

,Ch8,Time Series Econometrics Models,*,制作与教学,武汉理工大学,管理学院 熊伟,xiongw,Page,173,计量经济学,Econometrics,Chapter8,时间序列计量经济学模型,Time Series Econometrics Models,8.1 时间序列的平稳性及其检验,Stationary Time Series,8.2 随机时间序列分析模型 Stochastic,Time Series,Model,8.3 协整与误差修正模型 Cointegration and Error Correction Model,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,Chapter8,时间序列计量经济学模型,Time Series Econometrics Models,10/2/2024,8.1.1时间序列模型,8.1.2非平稳变量与经典回归模型,8.1.3时间序列数据的平稳性,8.1.4平稳性的图示判断,8.1.5平稳性的单位根检验,8.1.6单整、趋势平稳与差分平稳随机过程,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,时间序列：,就是各种社会、经济、自然现象的数量指标按照时间序列排列起来的经济数据,时间序列模型：,就是揭示时间序列自身的变化规律和相互联系的数学表达式。,时间序列模型分,确定性模型,和,随机模型,两大类,8.1.1时间序列模型,时间序列分析方法由Box-Jenkins (1976) 年提出。它适用于各种领域的时间序列分析。, 这种建模方法,不以经济理论为依据,，而是依据变量自身的变化规律，利用外推机制描述时间序列的变化。, 明确考虑时间序列的,非平稳性,。如果时间序列非平稳，建立模型之前应先通过,差分,把它变换成平稳的时间序列，再考虑建模问题,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,X,t,=,X,t-1,+,t,这里，,t,特指一白噪声,，,(3)自回归移动平均模型ARMA(,p,q,),Autoregressive moving-average model,（1）k阶自回归模型（Autoregressive Model AR(,p,),（2） q阶移动平均模型 （Moving Average Model MA(,q,) ）,p,=1时：,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,8.1.2非平稳变量与经典回归模型,常见的数据类型,到目前为止，经典计量经济模型常用到的数据有：,时间序列数据,（time-series data)；,截面数据,(cross-sectional data),平行/面板数据,（panel data/time-series cross-section data),时间序列数据是最常见，也是最常用到的数据,。,10/2/2024,经典回归分析暗含着一个重要假设：数据是平稳的。,数据非平稳，大样本下的统计推断基础“一致性”要求被破坏。,经典回归分析的假设之一：解释变量X是非随机变量,放宽该假设：X是随机变量，则需进一步要求：,(1)X与随机扰动项,不相关Cov(X,)=0,依概率收敛：,(2),第（1）条是OLS估计的需要,第（2）条是为了满足统计推断中大样本下的“一致性”特性：,经典回归模型与数据的平稳性,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,如果X是非平稳数据（如表现出向上的趋势），则（2）不成立，回归估计量不满足“一致性”，基于大样本的统计推断也就遇到麻烦。,因此：,注意：,在双变量模型中：,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,表现在:两个本来没有任何因果关系的变量，却有很高的相关性（有较高的R,2,)：,例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。,在现实经济生活中：,情况往往是实际的时间序列数据是非平稳的，而且主要的经济变量如消费、收入、价格往往表现为一致的上升或下降。这样，仍然通过经典的因果关系模型进行分析，一般不会得到有意义的结果。, 数据非平稳，往往导致出现“虚假回归”问题,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,时间序列分析模型方法就是在这样的情况下,，,以通过揭示时间序列自身的变化规律为主线而发展起来的全新的计量经济学方法论,。,时间序列分析,已组成现代计量经济学的重要内容，并广泛应用于经济分析与预测当中,。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.1.3时间序列数据的平稳性,时间序列分析中首先遇到的问题是关于时间序列数据的平稳性问题。,假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列,X,t,（,t,=1, 2, ）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：,(1)均值E(,X,t,)=,是,与时间t 无关的常数,(2)方差Var(,X,t,)=,2,是,与时间t 无关的常数,(3)协方差Cov(,X,t,X,t,+,k,)=,k,是只与时期间隔,k,有关，与时间,t,无关的常数,则称该随机时间序列是平稳的（stationary)，而该随机过程是一平稳随机过程（stationary stochastic process）,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例8.1.1,一个最简单的随机时间序列是一具有零均值同方差的独立分布序列：,X,t,=,t,，,t,N,(0,2,),例8.1.2,另一个简单的随机时间列序被称为,随机游走,（random walk），该序列由如下随机过程生成：,X,t,=X,t-1,+,t,这里，,t,是一个白噪声。,该序列常被称为是一个,白噪声,（,white noise,）。,由于,X,t,具有相同的均值与方差，且协方差为零,由定义,一个白噪声序列是平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,为了检验该序列是否具有相同的方差，可假设X,t,的初值为X,0,，则易知,X,1,=X,0,+,1,X,2,=X,1,+,2,=X,0,+,1,+,2, ,X,t,=X,0,+,1,+,2,+,t,由于X,0,为常数，,t,是一个白噪声，因此Var(X,t,)=t,2,即X,t,的方差与时间t有关而非常数，它是一非平稳序列。,容易知道该序列有相同的均值：E(X,t,)=E(X,t-1,),8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,后面将会看到:如果一个时间序列是非平稳的，它常常可通过取差分的方法而形成平稳序列。,事实上，随机游走过程是下面我们称之为,1,阶自回归,AR(1),过程的特例,X,t,=,X,t,-1,+,t,不难验证:1)|,|1,时，该随机过程生成的时间序列是发散的，表现为持续上升(,1),或持续下降(,-1),，因此是非平稳的；,然而，对X取一阶差分（first difference）:,X,t,=,X,t,X,t-1,=,t,由于,t,是一个白噪声，则序列X,t,是平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.2中将证明:,只有当,-1,0，样本自相关系数近似地服从以0为均值，1/n 为方差的正态分布，其中n为样本数。,也可检验对所有k0，自相关系数都为0的联合假设，这可通过如下,Q,LB,统计量进行：,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,该统计量近似地服从自由度为m的,2,分布（m为滞后长度）。,因此:如果计算的Q值大于显著性水平为,的临界值，则有1-,的把握拒绝所有,k,(k0)同时为0的假设。,例8.1.3:,表8.1.1序列Random1是通过一随机过程（随机函数）生成的有19个样本的随机时间序列。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,10/2/2024,从图形看：它在其样本均值0附近上下波动，且样本自相关系数迅速下降到0，随后在0附近波动且逐渐收敛于0。,容易验证：,该样本序列的均值为0，方差为0.0789。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,可以看出:,k0时，r,k,的值确实落在了该区间内，因此可以接受,k,(,k0)为0的假设,。,同样地，,从Q,LB,统计量的计算值看，滞后17期的计算值为26.38，未超过5%显著性水平的临界值27.58，因此,可以接受所有的自相关系数,k,(,k0)都为0的假设。,因此，,该随机过程是一个平稳过程。,根据Bartlett的理论：,k,N(,0,1/19),因此任一r,k,(k0)的95%的置信区间都将是,由于该序列由一随机过程生成，可以认为不存在序列相关性，因此,该序列为一白噪声。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,序列Random2是由一随机游走过程,X,t,=,X,t,-1,+,t,生成的一随机游走时间序列样本。,其中，第0项取值为0，,t,是由Random1表示的白噪声,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,图形表示出：,该序列具有相同的均值，但从样本自相关图看，虽然自相关系数迅速下降到0，但随着时间的推移，则在0附近波动且呈发散趋势。,8.1 时间序列的平稳性及其检验,Stationary Time Series,样本自相关系数显示：r1=0.48，落在了区间-0.4497, 0.4497之外，因此在5%的显著性水平上拒绝,1,的真值为0的假设。,该随机游走序列是非平稳的。,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,图形：表现出了一个持续上升的过程,，可初步判断,是非平稳,的。,样本自相关系数：缓慢下降,，再次表明它的,非平稳,性。,10/2/2024,从滞后18期的Q,LB,统计量看：,Q,LB,(18)=57.1828.86=,2,0.05,拒绝：该时间序列的自相关系数在滞后1期之后的值全部为0的假设。,结论:,19782000年间中国GDP时间序列是非平稳序列。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例8.1.5,检验,2.10中关于人均居民消费与人均国内生产总值这两时间序列的平稳性。,原图 样本自相关图,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,从图形上看：,人均居民消费（CPC）与人均国内生产总值（GDPPC）,是非平稳的,。,从滞后14期的,Q,LB,统计量看：,CPC与GDPPC序列的统计量计算值均为57.18，超过了显著性水平为5%时的临界值23.68。再次,表明它们的非平稳性。,就此来说，运用传统的回归方法建立它们的回归方程是无实际意义的。,不过，8.3中将看到，如果两个非平稳时间序列是,协整,的，则传统的回归结果却是有意义的，而这两时间序列恰是,协整,的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,四、平稳性的单位根检验,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,对时间序列的平稳性除了通过图形直观判断外，运用统计量进行统计检验则是更为准确与重要的。,单位根检验（unit root test）,是统计检验中普遍应用的一种检验方法。,1、,DF( 迪基Dicky、福勒Fuller)检验,我们已知道，随机游走序列,X,t,=X,t-1,+,t,是,非平稳的，其中,t,是白噪声。,而该序列可看成是随机模型,X,t,=,X,t-1,+,t,中参数,=1时的情形。,10/2/2024,也就是说，我们对式 X,t,=,X,t-1,+,t,（*）,做回归，如果确实发现,=1，就说随机变量X,t,有一个,单位根,。,（*）式可变形式成差分形式：,X,t,=(-1)X,t-1,+ ,t,=X,t-1,+ ,t,(*),检验（*）式是否存在单位根,=1，也可通过（*）式判断是否有,=0。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,一般地:,检验一个时间序列X,t,的平稳性，可通过检验带有截距项的一阶自回归模型,X,t,=,+X,t-1,+,t （*）,中的参数,是否小于1。,或者：,检验其等价变形式,X,t,=,+X,t-1,+,t （*）,中的参数是否小于0 。,在第二节中将证明，（,*,）式中的参数,1,或,=1,时，时间序列是非平稳的;,对应于（,*,）式，则是,0,或,=,0,。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,因此，针对式,X,t,=,+X,t-1,+,t,我们关心的检验为：,零假设,H0,：,=0,。,备择假设,H1,：,0,上述检验可通过OLS法下的t检验完成。,然而，在零假设（序列非平稳）下，即使在大样本下t统计量也是有偏误的（向下偏倚），通常的t 检验无法使用。,Dicky和Fuller于1976年提出了这一情形下t统计量服从的分布（这时的t统计量称为,统计量,），即,DF分布,（见表8.1.3）。,由于t统计量的向下偏倚性，它呈现围绕小于零值的偏态分布。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,因此，可通过OLS法估计,X,t,=,+X,t-1,+,t,并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较：,如果：,t临界值，则拒绝零假设H,0,：,=0，,认为时间序列不存在单位根，是平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,表,8.1.3,DF,分布临界值表,样,本,容,量,显著性水平,25,50,100,500,t,分布临界值,（,n=,）,0.01,-,3.75,-,3.58,-,3.51,-,3.44,-,3.43,-,2.33,0.05,-,3.00,-,2.93,-,2.89,-,2.87,-,2.86,-,1.65,0.10,-,2.63,-,2.60,-,2.58,-,2.57,-,2.57,-,1.28,10/2/2024,8.1 时间序列的平稳性及其检验,Stationary Time Series,注意：在不同的教科书上有不同的描述，但是结果是相同的。,例如：“如果计算得到的t统计量的绝对值大于临界值的绝对值，则拒绝=0”的假设，原序列不存在单位根，为平稳序列。,10/2/2024,进一步的问题,：,在上述使用,X,t,=,+X,t-1,+,t,对时间序列进行平稳性检验中，实际上,假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的,。,但在实际检验中,，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，这样用,OLS法进行估计均会表现出随机误差项出现自相关,（autocorrelation），导致DF检验无效。,另外,，如果时间序列包含有明显的随时间变化的某种趋势（如上升或下降），则也容易导致上述检验中的,自相关随机误差项问题,。,为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了,ADF（Augment Dickey-Fuller ）检验,。,2、ADF检验,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,ADF,检验是通过下面三个模型完成的：,8.1 时间序列的平稳性及其检验,Stationary Time Series,模型3 中的t是时间变量,，代表了时间序列随时间变化的某种趋势（如果有的话）。,检验的假设都是：针对H1:,500,-2.58,-2.23,-1.95,-1.61,25,-3.75,-3.33,-3.00,-2.62,50,-3.58,-3.22,-2.93,-2.60,100,-3.51,-3.17,-2.89,-2.58,250,-3.46,-3.14,-2.88,-2.57,500,-3.44,-3.13,-2.87,-2.57,d,t,500,-3.43,-3.12,-2.86,-2.57,25,3.41,2.97,2.61,2.20,50,3.28,2.89,2.56,2.18,100,3.22,2.86,2.54,2.17,250,3.19,2.84,2.53,2.16,500,3.18,2.83,2.52,2.16,2,a,t,500,3.18,2.83,2.52,2.16,25,-4.38,-3.95,-3.60,-3.24,50,-4.15,-3.80,-3.50,-3.18,100,-4.04,-3.73,-3.45,-3.15,250,-3.99,-3.69,-3.43,-3.13,500,-3.98,-3.68,-3.42,-3.13,d,t,500,-3.96,-3.66,-3.41,-3.12,25,4.05,3.59,3.20,2.77,50,3.87,3.47,3.14,2.75,100,3.78,3.42,3.11,2.73,250,3.74,3.39,3.09,2.73,500,3.72,3.38,3.08,2.72,a,t,500,3.71,3.38,3.08,2.72,25,3.74,3.25,2.85,2.39,50,3.60,3.18,2.81,2.38,100,3.53,3.14,2.79,2.38,250,3.49,3.12,2.79,2.38,500,3.48,3.11,2.78,2.38,3,b,t,500,3.46,3.11,2.78,2.38,10/2/2024,同时估计出上述三个模型的适当形式，然后通过ADF临界值表检验,零假设H0：,=0,。,1）只要其中有一个模型的检验结果拒绝了零假设，就可以认为时间序列是平稳的；,2）当三个模型的检验结果都不能拒绝零假设时，则认为时间序列是非平稳的。,这里所谓,模型适当的形式,就是在每个模型中选取适当的滞后差分项，以使模型的残差项是一个白噪声（主要保证不存在自相关）。,一个简单的检验过程：,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例8.1.6 检验19782000年间中国支出法GDP时间序列的平稳性。,1）经过偿试，模型3取了2阶滞后：,通过,拉格朗日乘数检验,（,Lagrange multiplier test,）对随机误差项的自相关性进行检验：,LM（1）=0.92， LM（2）=4.16，,小于5%显著性水平下自由度分别为1与2的,2,分布的临界值，可见不存在自相关性，因此该模型的设定是正确的。,从,的系数看，t临界值，不能拒绝存在单位根的零假设。,时间T的t统计量小于ADF分布表中的临界值，因此,不能拒绝不存在趋势项的零假设,。,需进一步检验模型2,。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,2）经试验，模型2中滞后项取2阶：,LM检验表明模型残差不存在自相关性，因此该模型的设定是正确的。,从,GDP,t-1,的参数值看，其t统计量为正值，大于临界值，,不能拒绝存在单位根的零假设,。,常数项的t统计量小于AFD分布表中的临界值，,不能拒绝不存常数项的零假设。,需进一步检验模型1。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,3)经试验，模型,1,中滞后项取,2,阶：,LM检验表明模型残差项不存在自相关性，因此模型的设定是正确的。,从GDP,t-1,的参数值看，其t统计量为正值，大于临界值，,不能拒绝存在单位根的零假设。,可断定中国支出法GDP时间序列是非平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例,8.1.7,检验,2.10中关于人均居民消费与人均国内生产总值这两时间序列的平稳性。,1)对,中国人均国内生产总值GDPPC,来说，经过偿试，三个模型的适当形式分别为,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,三个模型中参数的估计值的t统计量均大于各自的临界值，因此,不能拒绝存在单位根的零假设,。,结论：,人均国内生产总值（GDPPC）是非平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,2）对于人均居民消费,CPC,时间序列来说，三个模型的适当形式为,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,三个模型中参数CPC,t-1,的t统计量的值均比ADF临界值表中各自的临界值大，,不能拒绝该时间序列存在单位根的假设,，,因此,可判断人均居民消费序列CPC是非平稳的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,五、单整、趋势平稳与差分平稳随机过程,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,随机游走序列,X,t,=X,t-1,+,t,经差分后等价地变形为,X,t,=,t,由于,t,是一个白噪声，因此,差分后的序列,X,t,是平稳的。,单整,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,一般地，如果一个时间序列经过,d,次差分后变成平稳序列，则称原序列是,d,阶单整,（,integrated of d,）,序列,，记为,I(d),。,显然，,I(0),代表一平稳时间序列。,现实经济生活中:,1)只有少数经济指标的时间序列表现为平稳的，,如利率等;,2)大多数指标的时间序列是非平稳的，,如一些价格指数常常是2阶单整的，以不变价格表示的消费额、收入等常表现为1阶单整。,大多数非平稳的时间序列一般可通过一次或多次差分的形式变为平稳的。,但也有一些时间序列，无论经过多少次差分，都不能变为平稳的。这种序列被称为,非单整的（non-integrated）。,如果一个时间序列经过一次差分变成平稳的，就称原序列是,一阶单整,（,integrated of 1,）,序列,，记为,I(1),。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例8.1.8 中国支出法GDP的单整性。,经过试算，发现,中国支出法GDP是1阶单整的,，适当的检验模型为,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,例8.1.9 中国人均居民消费与人均国内生产总值的单整性。,经过试算，发现,中国人均国内生产总值GDPPC是2阶单整的,，适当的检验模型为,同样地，,CPC也是2阶单整的,，适当的检验模型为,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,趋势平稳与差分平稳随机过程,前文已指出，一些非平稳的经济时间序列往往表现出共同的变化趋势，而这些序列间本身不一定有直接的关联关系，这时对这些数据进行回归，尽管有较高的R,2,，但其结果是没有任何实际意义的。这种现象我们称之为,虚假回归,或,伪回归,（,spurious regression,）。,如：用中国的劳动力时间序列数据与美国GDP时间序列作回归，会得到较高的R,2,，但不能认为两者有直接的关联关系，而只不过它们有共同的趋势罢了，这种回归结果我们认为是虚假的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,为了避免这种虚假回归的产生，通常的做法是引入作为趋势变量的时间，这样包含有时间趋势变量的回归，可以消除这种趋势性的影响。,然而这种做法，只有当趋势性变量是,确定性的（deterministic）,而非,随机性的（stochastic）,，才会是有效的。,换言之，,如果一个包含有某种确定性趋势的非平稳时间序列，可以通过引入表示这一确定性趋势的趋势变量，而将确定性趋势分离出来。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,1)如果,=1，,=0，则（*）式成为,一带位移的随机游走过程,：,X,t,=,+X,t-1,+,t,（*）,根据,的正负，X,t,表现出明显的上升或下降趋势。这种趋势称为,随机性趋势（stochastic trend）,。,2)如果,=0，,0，则（*）式成为一带时间趋势的随机变化过程：,X,t,=,+t+,t,（*）,根据,的正负，X,t,表现出明显的上升或下降趋势。这种趋势称为,确定性趋势（deterministic trend）,。,考虑如下的含有一阶自回归的随机过程：,X,t,=,+t+X,t-1,+,t,（*）,其中:,t,是一白噪声，t为一时间趋势。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,3),如果,=1，,0,，则Xt包含有,确定性与随机性两种趋势。,判断一个非平稳的时间序列，它的趋势是随机性的还是确定性的，可通过ADF检验中所用的第3个模型进行。,该模型中已引入了表示确定性趋势的时间变量t，即分离出了确定性趋势的影响。,因此，,(1)如果检验结果表明所给时间序列有单位根，且时间变量前的参数显著为零，则该序列显示出随机性趋势;,(2)如果没有单位根，且时间变量前的参数显著地异于零，则该序列显示出确定性趋势。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,随机性趋势可通过差分的方法消除,如：对式,X,t,=,+X,t-1,+,t,可通过差分变换为,X,t,= +,t,该时间序列称为,差分平稳过程（difference stationary process）,；,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,确定性趋势无法通过差分的方法消除，而只能通过除去趋势项消除，,如：对式,X,t,=,+t+,t,可通过除去,t,变换为,X,t,- t,=,+,t,该时间序列是平稳的，因此称为,趋势平稳过程（trend stationary process）。,最后需要说明的是，,趋势平稳过程代表了一个时间序列长期稳定的变化过程，因而用于进行长期预测则是更为可靠的。,8.1 时间序列的平稳性及其检验,Stationary Time Series,10/2/2024,8.2 随机时间序列分析模型,一、时间序列模型的基本概念及其适用性,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,10/2/2024,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,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,一、时间序列模型的基本概念及其适用性,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,1、时间序列模型的基本概念,随机时间序列模型（time series modeling）,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,X,t,=F(X,t-1, X,t-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,=,t,），模型将是一个,1阶自回归过程,AR(1)：,X,t,=,X,t-1,+ ,t,这里，,t,特指,一白噪声,。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,一般的,p阶自回归过程AR(p),是,X,t,=,1,X,t-1,+ ,2,X,t-2,+,+ ,p,X,t-p,+,t,(*),(1)如果随机扰动项是一个白噪声(,t,=,t,)，则称(*)式为一,纯AR(p)过程（pure AR(p) process）,，记为,X,t,=,1,X,t-1,+ ,2,X,t-2,+,+ ,p,X,t-p,+,t,(2)如果,t,不是一个白噪声，通常认为它是一个q阶的,移动平均（moving average）过程MA(q),：,t,=,t,-,1,t-1,-,2,t-2,-,-,q,t-q,该式给出了一个,纯,MA(q),过程（,pure MA(p) process,）,。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,将纯AR(p)与纯MA(q)结合，得到一个一般的,自回归移动平均（,autoregressive moving average,）过程,ARMA,（,p,q,）,：,X,t,=,1,X,t-1,+ ,2,X,t-2,+,+ ,p,X,t-p,+,t,-,1,t-1,-,2,t-2,-,-,q,t-q,该式表明：,（1）一个随机时间序列可以通过一个自回归移动平均过程生成，,即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。,（2）如果该序列是平稳的,，即它的行为并不会随着时间的推移而变化，,那么我们就可以通过该序列过去的行为来预测未来。,这也正是随机时间序列分析模型的优势所在。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,经典回归模型的问题：,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回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为,结构式模型（structural model）,。,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回归方程，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。,2、时间序列分析模型的适用性,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,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,，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。,在这些情况下，我们采用另一条预测途径,：,通过时间序列的历史数据，得出关于其过去行为的有关结论，进而对时间序列未来行为进行推断,。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,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。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,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,I,t,的行为。,如果,I,t,是一个白噪声,，则消费序列C,t,就成为一个,1阶自回归过程AR(1),，而收入序列Y,t,就成为一个,(1,1)阶的自回归移动平均过程ARMA(1,1),。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,二、随机时间序列模型的平稳性条件,10/2/2024,自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（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,。,1、AR(p)模型的平稳性条件,随机时间序列模型的平稳性,，,可通过它所生成的随机时间序列的平稳性来判断,。,如果,一个p阶自回归模型AR(p)生成的时间序列是平稳的，就说该AR(p)模型是平稳的,，,否则,，,就说该AR(p)模型是非平稳的,。,10/2/2024,考虑p阶自回归模型AR(p),X,t,=,1,X,t-1,+ ,2,X,t-2,+,+ ,p,X,t-p,+,t,(*),引入,滞后算子（,lag operator,）,L,：,LX,t,=X,t-1, L,2,X,t,=X,t-2, L,p,X,t,=X,t-p,(*)式变换为,(1-,1,L-,2,L,2,-,p,L,p,)X,t,=,t,记,(L)= (,1-,1,L-,2,L,2,-,p,L,p,),则称多项式方程,(z)= (,1-,1,z-,2,z,2,-,p,z,p,)=0,为AR(p)的,特征方程(characteristic equation),。,可以证明，,如果该特征方程的所有根在单位圆外（根的模大于1），则AR(p)模型是平稳的。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,例8.2.1,AR(1)模型的平稳性条件。,对1阶自回归模型AR(1),方程两边平方再求数学期望，得到Xt的方差,由于,X,t,仅与,t,相关，因此，,E(X,t-1,t,)=0,。如果该模型稳定，则有,E(X,t,2,)=E(X,t-1,2,),，从而上式可变换为：,在稳定条件下，该方差是一非负的常数，从而有,|,|,1,。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,而AR(1)的特征方程,的根为 z=1/,AR(1)稳定，即 |,|,1，意味着特征根大于1。,例,8.2.2,AR(2),模型的平稳性。,对,AR(2),模型,方程两边同乘以Xt，再取期望得：,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,又由于,于是,同样地，由原式还可得到,于是方差为,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,由平稳性的定义，该方差必须是一不变的正数，于是有,1+21, 2-11, |2|1,这就是,AR(2),的平稳性条件,，或称为,平稳域,。它是一顶点分别为（,-2,-1,），（,2,-1,），（,0,1,）的三角形。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,对应的特征方程,1-,1,z-,2,z,2,=0,的两个根,z,1,、,z,2,满足：,z,1,z,2,=-1/,2,z,1,+z,2,=-,1,/,2,AR(2),模型,解出,1,，,2,由AR(2)的平稳性，,|,2,|=1/|,z,1,|z,2,|1,，有,于是,|,z,2,|1,。由,2,-,1,1,可推出同样的结果。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,对高阶自回模型,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回归模型的稳定性,：,(1)AR(p),模型稳定的必要条件是,：,1,+,2,+,p,1,(2),由于,i,(i=1,2,p),可正可负，,AR(p),模型稳定的充分条件是：,|,1,|+|,2,|+|,p,|1,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,对于移动平均模型,MA(q),：,X,t,=,t,-,1,t-1,-,2,t-2,-,-,q,t-q,其中,t,是一个白噪声，于是,2,、,MA(q),模型的平稳性,当滞后期大于,q,时，Xt的自协方差系数为,0,。,因此:,有限阶移动平均模型总是平稳的,。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,由于,ARMA (p,q),模型是,AR(p),模型与,MA(q),模型的组合：,X,t,=,1,X,t-1,+ ,2,X,t-2,+,+ ,p,X,t-p,+,t,-,1,t-1,-,2,t-2,-,-,q,t-q,3,、,ARMA(p,q),模型的平稳性,而,MA(q),模型总是平稳的，因此,ARMA (p,q),模型的平稳性取决于,AR(p),部分的平稳性。,当,AR(p),部分平稳时，则该,ARMA(p,q),模型是平稳的，否则，不是平稳的。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,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）一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,自回归单整移动平均（autoregressive integrated moving 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。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,三、随机时间序列模型的识别,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,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。,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,）。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,1、AR(p)过程,(1)自相关函数ACF,1阶自回归模型AR(1),X,t,=,X,t-1,+ ,t,的,k,阶滞后,自协方差,为：,=1,2,因此，,AR(1),模型的,自相关函数,为,=1,2,由,AR(1),的稳定性知,|,|,1,，因此，k,时，呈指数形衰减，直到零,。这种现象称为,拖尾,或称,AR(1),有无穷记忆,（,infinite memory,）。,注意,，,0,时，呈振荡衰减状。,8.2 随机时间序列分析模型,Stochastic,Time Series Model,10/2/2024,阶自回归模型AR(2),X,t,=,