FINTS第二章时间序列数据回归模型.pptVIP

金融时间序列模型 第二章：时间序列数据的回归模型 金融时间序列模型 回归模型回顾 回归模型 回归简单的说描述一个变量如何随其它变量的变化而变化。 y 表示需要解释的变量 x1, x2, ... , xk 表示k个解释变量 线性回归模型表达式： 当使用时间序列数据时的习惯表达式： 回归模型 y和x的不同名称: y x dependent因变量 independent 自变量 regressand（回归因变量） regressors（回归自变量） effect variable（效果变量）causal variables（原因变量） ?0，? 1 ，…，?k被称为系数（coefficients) ut随机扰动项(或称误差项）(random disturbance term) 回归模型 总体回归函数 ?0，? 1 ，…，?k被称为总体参数或真实值 总体回归函数是因变量的条件期望 回归模型 具体的说：线性回归模型中“回归模型”的含义是该模型的目的是计算因变量相对于自变量的条件期望，“线性”的含义是假设因变量的条件期望是解释变量的线性函数。 回归模型 样本回归函数 拟和值fitted value： 残差residual： 下面表达式哪些正确？ 多元线性回归模型 回归模型的矩阵表达式： Y=X?+U 回归模型 普通最小二乘法估计结果： 估计式（estimator或估计量）:计算系数的公式 估计值(estimate)：把样本观测值带入估计式中计算得到的系数的数值。 隐含着解释变量不存在完全多重共线性 共线性: 两个解析变量间的线性关系 例如： 和 称为完全共线指是 ， 使得对所有的观测 有 多重共线性: 多个解析变量间的线性关系 例如： 称为完全共线指的是 使得对所有的观测 ( )有 最小二乘估计卷入 ，这里 如果变量 存在完全多重共线性， X 的秩小于等于 p+1, 从而 也小于等于p+1因而不可逆 拟和优度 调整后拟和优度 拟和优度 拟和优度是模型的变差能被模型解释的部分。 拟和优度高并不能说明模型好，一个低的拟和优度并不说明模型不好。 时间序列数据的拟和优度一般都比较高。 回归模型 满足经典假设条件时，OLS估计量满足 无偏性 有效性 服从正态分布 金融时间序列模型 动态模型 时间序列数据回归模型 静态模型 只有t期的解释变量对因变量有影响 大部分经济现象对冲击的反应并不是一次性完成的。例如提高利率对通货膨胀的影响具有滞后性(是逐渐显现的)。这种随着时间变化，解释变量对因变量的影响是动态效益。为了估计动态效益必须在模型中增加滞后项。 动态模型 分布滞后模型 如果被解释变量 不仅受同期解释变量 的影响，而且还明显依赖于X的滞后值 , …这样的模型就是分布滞后模型 分布滞后模型系数的解释 ?j，(j=0,1,…k) 被称为乘数，或冲击效应。 ?0被称为短期乘数或即期乘数，表示本期X 变动一个单位对Y值的平均影响大小； ?j 称为延迟乘数或动态乘数，表示过去各时期 X变动一个单位对Y值的平均影响大小； 称为长期乘数或总分布乘数，表示 X 变 动一个单位时，由于滞后效应而形成的对 Y 总的影响大小。 分布滞后模型系数的解释 ?0+?1+…+?h 被称为h期累积乘数，h是1到k-1之间的数值，表示h期中解释变量x的变化对因变量y的累积效应 ?＝?0+?1+…+?k被称为长期乘数，表示x对因变量在所有时期冲击效应的总和 累积效应的含义是解释变量发生永久变化时，对因变量的影响。 分布滞后模型系数的解释 ?i/?，i=0,1,2,…k被称为标准化的乘数。 表示解释变量改变一个单位后，在t+i期时，冲击效应占总效应的百分比。 分布滞后模型系数的解释 其中，?0=0.5，?1=0.2，?2=0.1。 长期乘数＝0.5+0.2+0.1=0.8， 计算标准乘数分别是 0.5/0.8=0.625，0.2/0.8=0.25， 0.1/0.8=0.125 表示总效应中62.5%的效应立刻显现出来，经过 1个周期后87.5％的效应显现出来，经过2个周期 冲击效应达到100％ 例2.3 石油价格上升是否阻碍了经济发展是经济学家关心的问题。假设使用季度数据建立如下分布滞后模型 其中因变量