时间序列分析时间序列分析与Eviews应用.ppt

时间序列分析与Eviews应用 非稳定序列转化为稳定序列数据变量的平稳性是传统的计量经济分析的基本要求之一。只有模型中的变量满足平稳性要求时，传统的计量经济分析方法才是有效的. 而在模型中含有非平稳时间序列时，基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质，从而推断得出的结论可能是错误的。因此，在建立模型之前有必要检验数据的平稳性。 在很长时间里，学者们在分析经济变量时都假定所分析的数据已满足平稳性的要求。 然而，近年来，尤其是纳尔逊和普洛瑟(Nelson Plosser，1982)的开创性论文发表后，随着计量经济学的发展，学者们对经济时间序列数据，尤其是宏观经济时间序列数据的看法发生了根本的变化。 许多经验分析表明，多数宏观经济变量都是非平稳的，由此引发了宏观经济分析方法尤其是周期分析方法的一场革命，即“单位根革命”。 解决的问题 1、如何判别虚假回归（伪回归）问题？ 2、怎样检验一组变量存在协整关系？ 3、一组变量若存在协整关系，怎样建立误差修正模型？ 如何更好的通过已有数据反映变量之间的长、短期关系。 一、序列相关 二、非平稳时间序列 时间序列的特征 在做多元回归之前，有必要先了解每个时间序列的特性。 在很多应用研究中，人们常常对具有增长趋势的时间序列取对数后进行分析。 取对数后，这样的序列常常更接近于一条直线。大多数宏观经济数据表现出这一特征。 取对数后的变量差分(LnYt-LnYt-1)近似反映了两个时期之间该序列的增长率。 自相关(Autocorrelation) 对于通常的经济数据序列，原始序列Y的当前值与滞后值之间的相关程度较高，但其差分序列?Y的当前值与滞后值相关程度较低。 根据这一性质，我们可以利用过去已知的Y来推断今后的Y，但知道过去的?Y则无助于推测今后的?Y。 人们把这种情况说成是：“Y能够记忆过去，但?Y则不能”。这是利用时间序列模型做预测的基础。 一般而言，此时的Y是一个非平稳序列，而?Y则是一个平稳序列。 自相关函数(Autocorrelation Function) 通过估计自相关函数，可以了解时间序列的特征： 时间趋势 平稳性 自相关函数是时间序列的当前值与过去值之间的相关系数。 令?p＝Cor(Yt，Yt-p) 可以注意到，?p的值是滞后期数p的函数。 AC和PAC函数 AC和PAC函数描述时间序列的特性 AC函数可以用来根据该值等于0发生的时间j来选择MA(q)模型，j q； PAC函数可以用来根据该值等于0发生的时间j来选择AR(p)模型，j p。 整合过程(Integrated Process) 许多非平稳时间序列可以通过一阶或高阶差分，转变为平稳时间序列。 这种时间序列被称作d阶整合时间序列用I(d)表示。 ARMA模型预测的基本程序 （一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。一般来讲，经济运行的时间序列都不是平稳序列。 （二）对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。 （三）根据时间序列模型的识别规则，建立相应的模型。若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。 （四）进行参数估计，检验是否具有统计意义。 （五）进行假设检验，诊断残差序列是否为白噪声。 （六）利用已通过检验的模型进行预测分析。 §2.4 非平稳序列的单位根检验 检查序列平稳性的标准方法是单位根检验。有6种单位根检验方法：ADF检验、DFGLS检验、PP检验、KPSS检验、ERS检验和NP检验，重点将介绍DF检验、ADF检验。 DF检验的局限性：只有当序列为AR(1) 时才有效。如果序列存在高阶滞后相关，这就违背了扰动项是独立同分布的假设。在这种情况下，使用增广的DF检验方法（augmented Dickey-Fuller test ），即用ADF来检验含有高阶序列相关的序列的单位根。 ADF检验 ADF检验方法通过在回归方程右边加入因变量yt 的滞后差分项来控制高阶序列