常用经济学计量模型总结值得推荐.ppt

第一节 时间序列的外推、平滑和季节调整 一、时间序列的成分 趋势成分（Trend）、循环成分（Cyclical）、季节成分（Season）、不规则成分（Irregular） 二、简单外推模型 由时间序列过去行为进行预测的简单模型 3、自回归趋势模型 [例1] 百货公司销售预测 美国商业部：1986年1月至1995年12月百货公司的月零售额（亿元） 三、平滑技术 四、季节调整 Ratio to Moving Averages——Multiplicative 第二节 随机时间序列模型 基本假定：时间序列是由某个随机过程生成的。 在一定条件下，我们可以从样本观察值中估计随机过程的概率结构，这样我们就能够建立序列的模型并用过去的信息确定序列未来数值的概率。 常用模型：AR模型、MA模型、ARMA模型、ARIMA模型、VAR模型、ECM等。 一、平稳过程 统计特征不随时间变化而变化的过程是平稳过程（Stable Process） 如果过程是严平稳的（ Strictly Stationary），那么对任意的t和k，时刻t的联合概率密度函数等于时刻t+k的联合概率密度函数。也就是说，对于具有严平稳性质的随机过程，其全部概率结构只依赖于时间之差。 严平稳性的条件很严格，我们希望稍微放松限制条件。于是从实际角度考虑，我们可以用联合分布的矩的平稳性来定义随机过程的平稳性。 m阶弱平稳过程（Weakly Stationary）是指随机过程的联合概率分布的矩直到m阶都是相等的。 若一个过程 {r(t)} 是2阶弱平稳过程，那么它会满足下列条件： （1）随机过程的均值保持不变； （2）随机过程的方差不随时间变化； （3）r(i)和r(j)之间的相关性只取决于时间之差 j- i。 [注]：弱平稳过程不一定是严平稳过程； 而严平稳过程若存在二阶矩，则必是2阶弱平稳过程。 [例] 白噪声过程 二、自相关函数 用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为 自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。 [例] 白噪声过程的自相关函数 样本自相关函数 样本自相关函数可以用来检验序列的所有k0的自相关函数的真实值是否为0的假设。 自相关函数还可被用于检验一个序列是否平稳。 平稳时间序列的自相关函数随着滞后期k的增加而快速下降为0 齐次非平稳过程 yt非平稳，但yt – yt-1平稳，称yt为一阶齐次非平稳过程 [例] 随机游走过程是一阶齐次非平稳过程 三、自回归（Auto-Regression）模型 时间序列的当前值依赖于过去时期的观察值。 平稳AR(1)过程的自相关函数 不妨设常数项为0 自相关函数 四、移动平均（Moving Averages）模型 MA (1)过程的自相关函数 自相关函数 五、混合自回归-移动平均（ARMA）模型 ARMA (1,1)过程的自相关函数 六、ARIMA模型 ARIMA模型的确认 d 的确定 ： 差分后检查自相关函数，确定序列是否平稳，直到平稳为止。 p、q 的确定：由自相关函数、偏自相关函数确定，或由AIC、SC准则确定。 第三节 VAR模型 一、VAR（Vector AutoRegression，向量自回归） 二、格兰杰因果关系（Granger Causality） 如果变量x的过去和现在信息能有助于改进变量y的预测，则称y是由x格兰杰原因引起的（ y is Granger-caused by x ）。 即若变量x的过去和现在信息被考虑进总体的所有其它信息中时，y能被预测得更有效。 Granger Causality Test 假定(x , y)T 由VAR(p)过程生成，即 三、脉冲响应函数(Impulse Response Functions) 脉冲响应函数 确定每个内生变量对他自己及所有其它内生变量的变化是如何反应的。 四、方差分解(Variance Decomposition) 把每个变量预测误差的方差按其成因分解为与各个内生变量相关联的组成部分。 第四节 协整理论 Engle, Robert F. and C.W.J. Granger (1987) Co-integration and Error Correction: Representation, Estimation, and Testing. Econometrica 55, 251-76. 两个或两个以上非平稳的时间序列进行特殊组合后可能呈现平稳性。 若xt 和yt是随机游走，但变量zt =xt –λy