伍德里奇 第十节.pdf

第二篇 时间序列数据的回归分析 第十章 时间序列数据的基本回归分析 §1.时间序列数据的性质 一、时间序列 一个随机变量在特定时间上的观测值排列而成的数据集称为时间序列数据（Time Series Data）。时间序列用｛x ｝或x 表示。在不致引起混淆的情况下，x 还用来表示随 t t t 机变量，也用来表示这个随机变量在时刻t 的观测数据。 （注意：数据有先后顺序，截面数据没有顺序，所以横截面数据的｛3，4，8｝与 ｛8，3，4｝是相同的，而时间序列则是不同的） 二、随机过程 确定型过程：用关于时间t 的函数描述的过程。如自由落体：s＝1/2gt2 随机过程：即非确定型过程，不能用一个（或几个）关于时间t 的确定性函数描述 的过程。对同一事物的变化过程独立、重复地进行多次观测而得到的结果是不相同的。 客流量随机过程: {x , x , …, x364, x365, } 1 2 第1 年客运记录：{x 11, x21, …, x3641, x3651 } x365 取值的样本空间 第2 年客运记录：{x 12, x22, …, x3642, x3652 }      x2 取值的样本空间 第n 年客运记录：{x 1s, x2s, …, x364s, x365s } 随机过程是时间序列的数据生成过程（Data Generating Process，DGP ）。 时间序列数据是某个特定随机过程的一个实现。 （类似于截面数据“总体－样本”之间的关系） §2.时间序列回归模型的例子 一、静态模型 静态模型表示同一时期变量之间的关系。一般形式如下： y  x  x ... x u t 0 1 1t 2 2t k kt t 在静态模型中，被解释变量的值只取决于各解释变量和随机干扰项的当期值。 二、有限分布滞后模型 （PDL ） 如果模型中包含了解释变量的有限期滞后项，则称为有限分布滞后模型： y  x x  x   x u t 0 t 1 t1 2 t2 … s t s t 或 y = + X +u , X= x,( x , . . . ,x ) t t t 1t  t s x u 其中， 称为解释变量的滞后变量或滞后项； 为满足古典假定的随机误差项。 t j t 回归参数（系数）体现了解释变量的各个滞后值对被解释变量的不同影响程度，即 经济学中通常所说的“乘数效应”，所以，这些系数称为“乘数” （Multiplier ）： 1.即期乘数（或短期乘数） E (yt | x ) 0 x t 2. 延迟乘数（或动态乘数） E (y | x ) E (ytj | x ) t j 或