时间序列方法1解读.ppt

时间序列分析方法基本概念 教学大纲 时间序列的基本概念 时间序列数据的数值标度 时间序列的分解 时间序列的实例 什么是数据 数据是一种信息，这种信息如以量的标志显现出来，就称其为数据。数据是一定条件下客体在量的方面的综合表现。在开始一项研究工作时，最基本的工作之一，就是收集数据。 数据按其本义来说是定量的（计数或计量）的。但在实际应用中，它们可以是定量的，也可以是定性的，或者是两者的结合。随着人类认识客体技术的提高与认识层次的深化，数据的外延还在不断的扩大。 样本数据 常用的样本数据有三类： 时间序列数据（Time series data），是一批按照时间先后顺序排列的统计数据 截面数据（Cross section data），是一批发生在同一时间截面上的数据 虚拟变量数据（Dummy variable data），也称为二进制数据，一般取0或1。虚拟变量经常被用在计量经济学模型中，以表征政策、条件等因素 时间序列数据 时间序列数据又俗称为纵向数据。同一现象在不同时间上的相继观察值排列而成的数列 形式上由现象所属的时间和现象在不同时间上的观察值两部分组成 时间序列的时间是变化的。常用的时间间隔有：年、季度、月、周、日 时间序列数据通常存在季节变动和序列相关——自相关（误差的协方差不等于0，即前期误差与后期误差之间存在相关） 采纳时间序列数据的注意事项 样本区间内经济行为的一致性，例如80年代后期以来为供大于求（居民收入和出口额），80年代中期以前为供不应求（资本、劳动等） 样本点之间数据具有可比性，价值形态出现的数据往往是不可比的，应当消除物价因素的影响 样本观察值过于集中，不能反映经济变量间的结构关系，应增大观测区间 时间序列误差项间往往存在序列相关（自相关） 截面数据 截面数据又俗称横向数据，是一批发生在同一时间截面上的调查数据。研究某个时点上的变化情况。例如，工业普查数据、人口普查数据、家计调查数据等。 截面数据的时间是凝固的。 截面数据中大多存在异方差，必须引起注意。 采纳截面数据的注意事项 样本点间的同质性（样本与母体的一致性），截面数据很难用于总量估计。 截面数据一般存在误差项的异方差 虚拟变量数据的定义 虚拟变量是只取1或0之一的一个变量，一般用以表示定性变量，例如政策变量、条件变量等。 虚拟变量组合起来可以表征多种状态。 使用的虚拟变量的个数=欲表征的状态数，3种状态只用2个虚拟变量，若3状态采用3个虚拟变量，将造成多重共线。 用虚拟变量表示定性数据 面板数据（Panel Data） 面板数据是时间序列数据与截面数据的合成体。 例如，1978-1999年我国各省市城镇居民消费结构的调查资料。 样本数据的质量 完整性（不能有遗失数据，必要时，采用插值技术补上） 准确性（准确真实且数据口径方面也符合建模要求） 可比性（将范围口径和价格口径调整一致） 一致性——同质性（样本与母体一致），用31个省市的数据作为全国总量模型的数据就违反了一致性 完整性 指模型中包含的所有变量都必须得到相同容量的样本观测值。这既是模型参数估计的需要，也是经济现象本身应该具有的特征 “遗失数据”的现象是经常发生的，在中国，经济体制和核算体系都处于转轨之中。在出现“遗失数据”时，如果样本容量足够大，样本点之间的联系并不紧密的情况下，可以将“遗失数据”所在的样本点整个去掉 如果样本容量有限，或者样本点之间的联系紧密，去掉某个样本点会影响模型的估计质量，则要采取特定的技术将“遗失数据”补上 准确性 准确性有两方面含义： 所得到的数据必须准确反映它所描述的经济因素的状态，即统计数据或调查数据本身是准确的； 必须是模型研究中所准确需要的，即满足模型对变量口径的要求； 在生产函数模型中，作为解释变量的资本、劳动等必须是投入到生产过程中的、对产出量起作用的那部分生产要素，以劳动为例，应该是投入到生产过程中的、对产出量起作用的那部分劳动者。于是，在收集样本数据时，就应该收集生产性职工人数，而不能以全体职工人数作为样本数据，尽管全体职工人数在统计上是很准确的，但其中有相当一部分与生产过程无关，不是模型所需要的 可比性 是通常所说的数据口径问题 得到的经济统计数据，一般可比性较差，其原因在于统计范围口径的变化和价格口径的变化，必须进行处理后才能用于模型参数的估计 计量经济学方法，是从样本数据中寻找经济活动本身客观存在的规律性，如果数据是不可比的，得到的规律性就难以反映实际 不同的研究者研究同一个经济现象，采用同样的变量和数学形式，选择的样本点也相同，但可能得到相差甚远的结果。原因在于样本数据的可比性 时间数列的编制原则 基本原则是保证可比性，主要包括： 时 间 上可 比 总体范围可比 计算口径可比 经济内容可比 一致性 指母体与样本的一致性 违反