时间序列平稳性篇.docVIP

时间序列平稳性2篇 以下是网友分享的关于时间序列平稳性的资料2篇，希望对您有所帮助，就爱阅读感谢您的支持。 第一篇 第九章 时间序列计量经济学模型的理论与方法 在第一章中已提到，经济分析中所用的三大类重要数据中，时间序列数据是其中最常见，也是最重要的一类数据。因此，对时间序列数据的分析也就成了计量经济分析最为重要的内容之一。迄今为止，我们对时间序列的分析是通过建立以因果关系为基础的结构模型进行的。而无论是单方程模型还是联立方程模型，这种分析背后有一个隐含的假设，即这些数据是平稳的（stationary）。否则的话，通常的t、F等假设检验程序则不可信。在经典回归分析中，我们通过假设样本观测点趋于无穷时，解释变量X的方差趋于有界常数，给出了X平稳性的一个重要条件。这样，既为大样本下的统计推断奠定了基础，也使得所考察的时间序列更靠近平稳性这一假设。 涉及时间序列数据的另一问题是虚假回归（spurious regression）或伪回归，即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，仍然通过前面的因果关系模型进行分析，一般不会得到有意义的结果。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。 §9.1 数据的平稳性及其检验 一、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{Xt}（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Xt满足下列条件： 1）均值E(Xt)?? 与时间t 无关的常数； 22）方差var(Xt)?σ 与时间t 无关的常数； 3）协方差cov(XtXt?k)??k 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）。 例9.1.1．一个最简单的随机时间序列Xt是一具有零均值同方差的独立分布序列： Xt??t， ?t~N(0,?2) （9.1.1） 该序列常被称为是一个白噪声（white noise）。由于Xt具有相同的均值与方差，且协方差为零，因此由定义一个白噪声序列是平稳的。 例9.1.2．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： Xt?Xt?1??t （9.1.2） 这里，?t是一个白噪声。 容易知道该序列有相同的均值E(Xt)?E(Xt?1)。为了检验该序列是否具有相同的方差，可假设Xt的初值为X0，则 易知 X1?X0??1 X2?X1??2?X0??1??2?? Xt?X0??1??2????t 由于X0为一常数，?t是一个白噪声，因此var(Xt)?t?2，即Xt的方差与时间t有关 而非常数，它是一非平稳序列。 然而，对Xt取一阶差分（first difference） ?Xt?Xt?Xt?1??t （9.1.3） 由于?t是一个白噪声，则序列{?Xt}是平稳的。后面我们将会看到，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（9.1.3）是下面我们称之为1阶自回归AR（1）过程的特例 Xt??Xt?1??t （9.1.4） 不难验证，?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（? （9.1.4）式又是如下k阶自回归AR（K）过程的特例： Xt??1Xt?1??2Xt?2????kXt?k??t （9.1.5） 该随机过程平稳性条件也将在第二节中介绍。 二、平稳性检验的图示判断 给出一个随机时间序列，首先可通过该序列的时间路径图来粗略地判断它是否是平稳的。一个平稳的时间序列（图9.1.1（a））在图形上往往表现出一种围绕其均值不断波动的过程；而非平稳序列（图9.1.1(b)）则往往表现出在不同的时间段具有不同的均值（如持续上升或持续下降）。 X Xt (a) (b) 图9.1 平稳时间序列与非平稳时间序列图 然而，这种直观的图示也常出现误导，因此需要进行进一步的判别。通常的做法是检验样本自相关函数及其图形。首先定义随机时间序列的自相关函数（autocorrelation function, ACF）如下： ?k? ?k （9.