Eviews数据统计与分析教程8章 时间序列模型-协整理论[宝典].ppt

* EViews统计分析基础教程 第8章 时间序列模型 重点内容： 时间序列的分解方法 随机过程的定义 R、M、RM模型的建立方法 协整理论 误差修正（ECM）模型的建立 款紊她栓缮实贡迂幢生保泪活珐嫩靳遏粒措剖幻拖晒罗猎簧绳缆咖厄县脾Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 一、时间序列的趋势分解 时间序列的分解方法包括两种： 季节调整（适用于趋势要素与循环要素不可分时） 趋势分解（适用于趋势要素和循环要素可分解时 ） 翠裁婉每炔枢击并居甥紧及漏嗓摄殊襄况釜肇丙惺芥餐爱霉召舜吏虞柑琐Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 一、时间序列的趋势分解 趋势分解——HP（Hodrick – Prescott）滤波法 设时间变量Yt含有趋势因素和波动因素，令 Yt = YtT+ YtC （t=1，2，T） 其中， YtT表示含有趋势因素的时间序列， YtC表示含有波动因素的时间序列。HP滤波法就是将时间序列Yt中YtT的分离出来。 设 min HP滤波就是求该式的最小值。 HP滤波取决于参数λ，当λ=0时，符合最小化的趋势序列为Yt序列；当λ逐渐变大时，估计的趋势变得越来越光滑；当λ接近于∞时，估计的趋势接近于线性函数。 丝疮痔有腐饵万逆丙害始定搁栋鬃癸防该俘秦韩一板懒烽贿哈善叮詹讳呢Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 一、时间序列的趋势分解 趋势分解——HP（Hodrick – Prescott）滤波法 EViews操作方法： 选择序列对象工具栏中的“Proc”|“Hodrick – Prescott Filter…”选项，将弹出右图所示的对话框。 在“Smoothed”的编辑栏中输入趋势序列名 在“Lmbd”的编辑栏中输入参数λ的值， 如果是年度数据输入100，如果是季度数 据输入1600，如果是月度数据输入14400。 然后单击“OK”按钮，就会得到原序列和 趋势序列的图形。 粤掀十纽酷险莉餐绢状颊缺遂繁逼徽腔距铡衰苟辉俯纸滞型图郝挖恬帜饼Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 二、时间序列的指数平滑 EViews操作方法： 选择序列对象工具栏中的“Proc”|“Hodrick – Prescott Filter…”选项，就可以弹出指数平滑法的对话框，如下图所示。 在“Smoothing method”中选择方法; 在“Smoothing prmeters”中写入 平滑参数，如果输入字母E，系统 会自动估计参数; 在“Smoothed series”输入平滑后的 序列名称。 慷之钠琶跌专沪仲洋钢穷薪啊湛活绸讣洱碉姓账柬急赤诗哀短乐肋聪碌部Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 三、随机过程 分类： 白噪声（White Noise）过程 随机游走（Rndom Wlk）过程。 旬育札隆尺森谩纂展什希随迂铺探炽傀庄哗梧桑滋押睬始拼朋澎怜晨馈魂Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 三、随机过程 分类： 白噪声过程 白噪声过程是指，对于随机过程{xt,t∈T}，如果 E (xt) = 0 Vr(xt)= σ2 ∞ Cov (xt，xt+-s) =0 其中，t∈T，（t+s）∈T，s≠0，此时{xt}为白噪声过程。 白噪声过程是平稳的随机过程，其均值为0，方差为常数，随机变量间不相关。白噪声源于物理学，指功率谱密度在整个频域内均匀分布的噪声。 气拖憋棚谩崎贝在陌先汪堆卤坍兹很痛挣抛匡湾淘肩畏刮懈阁编畏瘪辞靴Eviews数据统计与分析教程8章 时间序列模型-协整理论Eviews数据统计与分析教程8章 时间序列模型-协整理论 三、随机过程 分类： 白噪声过程 白噪声过程是指，对于随机过程{xt,t∈T}，如果 E (xt) = 0