Eviews数据统计与分析教程8章.ppt

《Eviews数据统计与分析教程8章.ppt》由会员分享，可在线阅读，更多相关《Eviews数据统计与分析教程8章.ppt（26页珍藏版）》请在装配图网上搜索。

1、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 AR、 MA、 ARMA模 型 的 建 立 方 法 协 整 理 论 误 差 修 正 （ ECM） 模 型 的 建 立 EViews统 计 分 析 基 础 教 程一 、 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 ） EViews统 计 分 析 基 础 教 程一 、 时 间 序 列 的 趋 势 分 解趋势分解H P（H odric

2、k 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， Y tT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，当=0时，符合最小化的趋势序列为Yt序列；当逐渐变大时，估计的趋势变得越来越光滑；当接近于时，估计的趋势接近于线性函数。 Tt YTtLcYTtYt1 22 EViews统 计 分 析 基 础 教 程一 、 时 间 序 列 的 趋 势 分 解趋势分解H P（H odrick Prescott）滤

3、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“Lambda”的编辑栏中输入参数的值，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。 EViews统 计 分 析 基 础 教 程二 、 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，

4、如下图所示。在“Smoothing method”中选择方法;在“Smoothing parameters”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。 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：白噪声（White Noise）过程随机游走（Random Walk）过程。 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：白噪声过程白噪声过程是指，对于随机过程x t,t T，如果 E (xt) = 0 Var(xt)= 2 Cov (xt，xt+-s) =0 其中，t T，（t+

5、s） T，s0，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。 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：白噪声过程白噪声过程是指，对于随机过程x t,t T，如果 E (xt) = 0 Var(xt)= 2 Cov (xt，xt+-s) =0 其中，t T，（t+s） T，s0，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。 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：白噪声过程白噪声源于物

6、理学，指功率谱密度在整个频域内均匀分布的噪声。 时 间 序 列 xt白 噪 声 过 程 图 形 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：随机游走过程随机游走过程是指，时间序列中下个时期的值等于本期值加上一个独立的（或至少是不相关的）误差项。在最简单的随机游走中，x t的每一次变化均来自于前期xt-1的变化，其表达式为 xt = xt -1 + ut （8-9）其中，ut为平稳的随机过程，即为白噪声过程，xt为随机游走过程。 EViews统 计 分 析 基 础 教 程三 、 随 机 过 程分类：随机游走过程 时 间 序 列 xt随 机 游 走 过 程 图 形 EVi

7、ews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类1、 自 回 归 （ AR） 模 型时间序列xt 的p阶自回归（AR，Auto Regressive）模型的表达式为 x t = c+1xt-1 + 2 xt-2 + + p xt-p+ ut其中，参数c为常数；1，2， ，p为自回归模型的系数，是待估参数；p为自回归模型的阶数；ut为白噪声序列，其均值为0，方差为2。称xt为p阶自回归过程，用AR（p）表示。自回归模型AR（p）常用来修正随机误差项ut的序列相关 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类2、 移 动 平 均

8、 （ MA） 模 型时间序列xt 的q阶移动平均（MA，Moving Average）模型的表达式为 x t = c + ut +1 ut -1 +2 ut -2 + +q ut q 其中，参数c为常数；1，2，q为移动平均模型的系数，是模型的待估参数；q为移动平均模型的阶数；ut为白噪声序列，其均值为0，方差为2。称xt为q阶移动平均过程，用MA（q）表示。 时间序列xt 由1个ut和q个ut的滞后项加权的和组成，“移动”是指时间t的变化，“平均”指的是ut滞后项的加权和。 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类3、 自 回 归 移 动 平 均

9、（ ARMA） 模 型自回归移动平均模型是由自回归模型AR（p）和移动平均模型MA（q）共同组成的随机过程，因而也被称为混合模型，记作ARMA（p, q）。其表达式为x t =c+1xt-1 + 2 xt-2 + +p xt-p+ ut +1 ut-1 +2 ut-2 + +qut q其中，p和 q分别表示自回归模型和移动平均模型的最大阶数。当p=0时，自回归移动平均模型ARMA（0, q）= MA（q）；当q=0时，自回归移动平均模型ARMA（p, 0）= AR（p）。 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类3、 自 回 归 移 动 平 均 （

10、ARMA） 模 型ARMA模型的识别 在EViews软件中，通过分析序列的相关图判断ARMA（p,q）模型的p与q的阶数。在主菜单栏中选择“Quick”|“Series Statistics” |“Correlogram”选项，在弹出的文本框中输入序列对象的名称；或者打开序列对象窗口，选择序列对象工具栏中的“View”|“Correlogram”选项，均会弹出对话框。 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类3、 自 回 归 移 动 平 均 （ ARMA） 模 型ARMA模型的识别 “Level”表示原序列，“1st difference”表示一阶差

11、分序列，“2st difference”表示二阶差分序列。“Lags to include”中输入最大滞后期k（季度数据，最大滞后期为4、8等；月度数据，最大滞后期为12、24等）单击“OK”按钮即可得到序列对象的相关图和Q统计量。 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列 模 型 的 分 类3、 自 回 归 移 动 平 均 （ ARMA） 模 型ARMA模型的识别 在ARMA模型的识别中，如果自相关函数（AC）在p期后显著趋于0，偏自相关函数（PAC）在q期后显著趋于0，则建立ARMA（p，q）模型。 EViews统 计 分 析 基 础 教 程四 、 时 间 序 列

12、模 型 的 分 类4、 自 回 归 单 整 移 动 平 均 模 型 ARMA(p,d,q)经过d次差分后变换的ARMA（p,q）模型为ARIMA（p,d,q）模型（Autoregressive Integrated Moving Average）。ARIMA（p,d,q）模型的估计过程与ARMA（p,q）模型基本相同，不同的是在估计ARIMA（p,d,q）模型时需确定原序列的差分阶数d，并对xt进行d阶差分。因而在构建模型前需通过单位根检验来确认时间序列是否平稳，以及含有的单位根的个数。 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型1、 协 整 非平稳的

13、时间序列的线性组合可能是平稳序列，我们把这种组合后平稳的序列称为协整方程，并且这些非平稳的经济变量间具有长期稳定的均衡关系。协整可以用来描述两个及两个以上的序列之间的平稳关系。 假如非平稳（有单位根）时间序列的线性组合是平稳的，即I(0)，则这些变量间有协整关系。 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型1、 协 整 EG两步 检验法：第一步：检验非平稳的序列是否是同阶单整，如果是同阶单整再建立回归方程，为 y t=0+1x1t+2x2t+k x kt+t 估计后得到的残差为 t = yt 0 1x1t 2x2t kxkt第二步：检验残差序列t的平稳

14、性。若残差序列不平稳，即存在单位根，tI(1)，则回归方程的k+1个变量间协整关系不存在。如果残差序列平稳，即不存在单位根，tI(0)，则k+1个变量间协整关系存在。 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型1、 协 整 EG两步 检验法（EViews操作）：第一步：对变量inc与cj进行单位根检验。打开序列对象，在工具栏中选择“View”|“Unit Root Test”选项。“Test type”中选择ADF（Augmented Dickey Fuller）检验法；“Test for unit root in”中选择“Level”原序列形式；“I

15、nclude in test equation”选择“Trend and intercept”（趋势项和截距项）。然后单击“OK”按钮 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型1、 协 整 EG两步 检验法（EViews操作）：第二步：用最小二乘法对回归模型进行估计。选择EViews主菜单栏中的“Quick”| “Estimate Equation”选项，在弹出的对话框中输入变量名，然后单击“OK”按钮。系统默认下使用最小二乘法（OLS）进行估计。此时，回归模型估计后的残差保存在默认序列对象resid中。 EViews统 计 分 析 基 础 教 程五

16、 、 协 整 和 误 差 修 正 模 型1、 协 整 EG两步 检验法（EViews操作）：第三步：第三步，检验残差序列的平稳性。 建立新序列对象e，将残差序列resid中的数据复制到序列e中。对序列e进行单位根检验。 如果残差序列是平稳的，即不存在单位根。则变量之间协整关系存在。 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型2、 误 差 修 正 模 型 （ ECM）误差修正模型是根据一阶自回归分布滞后模型生成的，如一阶分布滞后模型为y t=0+1yt-1+2xt +3xt-1 +t 在上式的两端同时减去yt-1，再在等式的右侧加减2 xt-1，整理可得

17、，yt=0+（11）yt-1+2xt +（2+3）xt-1 +t yt=（11） + xt-1+yt-1 +2xt +t 该式即为误差修正模型。 误差修正模型中描述了被解释变量的短期波动yt情况。 11 0 11 32 EViews统 计 分 析 基 础 教 程五 、 协 整 和 误 差 修 正 模 型2、 误 差 修 正 模 型 （ ECM）EViews操 作第一步：检验变量间是否存在协整关系，如存在可建立ECM模型。第二步：选择主菜单工具栏中的“Quick”| “Estimate Equation”选项，在弹出的文本框中输入误差修正模型的变量，用最小二乘法（OLS）进行估计，单击“确定”按钮即可得到误差修正模型的估计结果。 EViews统 计 分 析 基 础 教 程本 章 小 结 ： 了 解 随 机 过 程 的 基 本 概 念 了 解 随 机 游 走 和 白 噪 声 过 程 的 不 同 掌 握 ARMA模 型 的 建 立 方 法 掌 握 协 整 理 论 和 检 验 方 法 掌 握 误 差 修 正 模 型 的 理 论 和 建 立 方 法