时间序列计量经济学模型
第五章:时间序列
- 序列相关性
- 实际问题的序列相关性
- 后果
- 检验
- 补救
- 虚假序列相关
- 平稳性
- 定义
- 白噪声
- 随机游走
- 平稳性判断
- 单位根检验(unit root test)
- ADF检验
- 单整时间序列
- 协整与误差修正模型
- 协整的检验
- 两变量的Engle-Granger检验
- 均衡与协整的讨论
- 误差修正模型
- 格兰杰因果检验
- 自回归模型
- AR(p)平稳性条件
- 格兰杰因果检验表述
序列相关性
序列相关:Cov(μi,μj)!=0Cov(\mu_i, \mu_j)\ !=0Cov(μi,μj) !=0
或: Var(μ)=E(μμ′)=σ2Ω!=σ2IVar(\mu) = E(\mu \mu')=\sigma ^2 \Omega \ !=\sigma ^2 IVar(μ)=E(μμ′)=σ2Ω !=σ2I
如果仅存在:E(μt,μt+1)!=0E(\mu_t,\mu_{t+1}) \ !=0E(μt,μt+1) !=0,则称之为一阶序列相关或自相关。
自相关往往能写成:μt=ρμt−1+ϵt−1<ρ<1\mu_t = \rho \mu_{t-1}+\epsilon_t \qquad -1<\rho<1μt=ρμt−1+ϵt−1<ρ<1
其中ρ\rhoρ称之为自协方差系数或一阶自相关系数。
且E(ϵt)=0,Var(ϵt)=σ2,Cov(ϵt,ϵs)=0(t!=s)E(\epsilon_t)=0, \qquad Var(\epsilon_t)=\sigma^2,\qquad Cov(\epsilon_t,\epsilon_s)=0(t \ !=s)E(ϵt)=0,Var(ϵt)=σ2,Cov(ϵt,ϵs)=0(t !=s),即ϵ\epsilonϵ是满足标准最小二乘法假定的随机干扰项。
实际问题的序列相关性
- 经济变量固有的惯性
- 模型设定的偏误
- 数据的“编造”
- 一般经验:不同样本点间存在一些解释变量外在时间上的连续性,因此往往又序列相关性。
后果
- 参数估计量非有效
- 显著性检验失去意义
- 预测失效
检验
- 图示法
- 回归检验法(以ete_tet为被解释变量,以 et−1...e_{t-1}...et−1...为解释变量建立各种方程)
- D.W检验法(D.W统计量=∑t(et−et−1)2∑tet2\frac{\sum_t(e_t-e_{t-1})^2}{\sum_t e_t^2}∑tet2∑t(et−et−1)2;有很多假定条件:1.解释变量X非随机,2随机干扰项一阶自相关 3.回归模型不含有滞后应变量作为解释变量 4.含有截距项; dL,dU,4−dL,4−dUd_L,d_U,4-d_L, 4-d_UdL,dU,4−dL,4−dU把0−40-40−4划分成了五个区间,分别为:正相关,不能确定,不相关,不能确定,负相关。)
- 拉格朗日乘数(LM)检验(克服了D.W检验的缺陷,适用于随机干扰项高阶序列相关和含有滞后解释变量的情形。)
补救
- 广义最小二乘法(Ω=DD′,beta^=(X′Ω−1X)−1X′Ω−1y\Omega=DD',\hat{beta}=(X' \Omega^{-1}X)^{-1}X'\Omega^{-1}yΩ=DD′,beta^=(X′Ω−1X)−1X′Ω−1y)
- 广义差分法(一阶序列相关初始值:Y1^=1−ρ2Y1,X^=1−ρ2X\hat{Y_1}=\sqrt {1-\rho^2}Y_1, \quad \hat{X}=\sqrt {1-\rho^2}XY1^=1−ρ2Y1,X^=1−ρ2X,这样广义差分法完全等价于广义最小二乘法。)
虚假序列相关
虚假序列相关:如果随机干扰项的序列相关是在模型设定中遗漏了重要的解释变量或对函数形式设定有误出现的,则称之为虚假序列相关。
平稳性
使用平稳时间序列理由有二:
- 时间序列平稳性可以替代随机抽样假定。
- 采用平稳时间序列建立回归模型,可以有效减少虚假回归(两个没有经济因果关系的时间序列,回归得到了很好的拟合优度)。
定义
- E(Xt)=μ,与时间无关E(X_t)=\mu,与时间无关E(Xt)=μ,与时间无关
- Var(Xt)=μ,与时间无关Var(X_t)=\mu,与时间无关Var(Xt)=μ,与时间无关
- Cov(Xt,Xtk)=γk,仅与时间间隔有关Cov(X_t,X{_{tk}})=\gamma _k,仅与时间间隔有关Cov(Xt,Xtk)=γk,仅与时间间隔有关
那么称{XtX_tXt}为平稳的,该随机过程(时间序列由这个随机过程生成)是一个平稳随机过程。
白噪声
- Xt=μt,μt∼N(0,σ2)X_t = \mu _t, \qquad \mu_t\sim N(0,\sigma^2)Xt=μt,μt∼N(0,σ2)
- 容易知道白噪声是平稳时间序列。
随机游走
Xt=Xt−1+μt,μt是白噪声X_t = X_{t-1}+\mu_t, \mu_t是白噪声Xt=Xt−1+μt,μt是白噪声
其是非平稳序列,但是其一阶差分是平稳的。
其实随机游走是,一阶自回归AR(1)过程的特例:
Xt=ϕXt−1+μtX_t = \phi X_{t-1}+\mu_tXt=ϕXt−1+μt
平稳性判断
- 画图判断
- 样本自相关函数(rk=Cov(Xt,Xt+k)Cov(Xt,Xt)r_k = \frac{Cov(X_t,X_{t+k})}{Cov(X_t,X_t)}rk=Cov(Xt,Xt)Cov(Xt,Xt+k),平稳时间序列的样本自相关函数会随着k增大迅速降为0。)
单位根检验(unit root test)
- DF检验(假定时间序列是由具有白噪声的一阶自回归过程AR(1)生成的,检验ρ\rhoρ是否小于1,或δ\deltaδ是否小于0;H0:ρ=1orδ=0H_0:\rho=1\ or\ \delta=0H0:ρ=1 or δ=0。)
- ADF检验(对DF检验进行了扩充,克服了它的一些缺陷:1.假定1阶自回归过程 2.白噪声随机干扰 3.需要抹除时间趋势)
ADF检验
- ΔXt=δXt−1+∑i=1mβiΔXt−i+ϵt\Delta X_t = \delta X_{t-1}+\sum_{i=1}^m\beta_i\Delta X_{t-i}+\epsilon_tΔXt=δXt−1+∑i=1mβiΔXt−i+ϵt
- ΔXt=α+δXt−1+∑i=1mβiΔXt−i+ϵt\Delta X_t = \alpha +\delta X_{t-1}+\sum_{i=1}^m\beta_i\Delta X_{t-i}+\epsilon_tΔXt=α+δXt−1+∑i=1mβiΔXt−i+ϵt
- ΔXt=α+βT+δXt−1+∑i=1mβiΔXt−i+ϵt\Delta X_t = \alpha+\beta T+\delta X_{t-1}+\sum_{i=1}^m\beta_i\Delta X_{t-i}+\epsilon_tΔXt=α+βT+δXt−1+∑i=1mβiΔXt−i+ϵt
- 模型3的βT\beta TβT代表某种时间趋势,模型1、2、3都添加了ΔXt\Delta X_tΔXt的滞后项,这是为了消除时间序列由更高阶自回归生成时的序列相关,保证随机项是白噪声,从模型3开始检验,直到拒绝原假设,即时间序列为平稳序列。
单整时间序列
如果一个时间序列经过d阶差分后变成平稳序列,则称之为d阶单整序列,记为I(d)I(d)I(d),显然I(0)I(0)I(0)为平稳时间序列。
协整与误差修正模型
长期均衡关系: 经济系统中不存在破坏均衡的内在机制。如果变量在某时期受到干扰后偏离其长期均衡点,则均衡机制将会在下一期进行调整以使其重新回到均衡状态。
(d,b)阶协整:不同的(单整阶均为d)变量经过线性组合,得到了单整阶为b的变量,则称他们服从CI(d,b),也叫做(d,b)阶单整,值得注意的是b<=d,线性组合对应的向量为协整向量。
协整的检验
两变量的Engle-Granger检验
- 协整回归:最小二乘回归并计算误差(非均衡误差)
- 检验ete_tet单整性(DF/ADF test),若ete_tet为I(0)I(0)I(0),则YtXtY_t\ X_tYt Xt为(1,1)阶协整;否则认为其不存在协整关系。
均衡与协整的讨论
- 协整方程具有统计意义,均衡方程具有经济意义
- 均衡方程应包含均衡系统中所有的时间序列,而协整方差可以只包含其中一部分
- 协整方程只要求随机干扰项平稳,均衡方程要求其为白噪声。
误差修正模型
ΔYt=β1Xt−λecmt−1+μt\Delta Y_t = \beta_1 X_t-\lambda ecm_{t-1}+\mu_tΔYt=β1Xt−λecmt−1+μt
其中,ecm表示误差修正项。
格兰杰因果检验
自回归模型
Xt=F(Xt−1,Xt−2,...,μt)X_t = F(X_{t-1},X_{t-2},...,\mu_t)Xt=F(Xt−1,Xt−2,...,μt)
p阶自回归过程AR(p):
Xt=β1Xt−1+...+βpXt−p+μtX_t = \beta_1X_{t-1}+...+\beta_pX_{t-p}+\mu_tXt=β1Xt−1+...+βpXt−p+μt
如果干扰项是白噪声,则被称为纯AR(p)过程。否则一般认为干扰项是q阶的移动平均过程MA(q):μt=ϵt−θ1ϵt−1−...\mu_t = \epsilon_t-\theta_1\epsilon_{t-1}-...μt=ϵt−θ1ϵt−1−...
ARMA(P,Q)指的是AR(p)过程的干扰项为纯MA(q)过程生成的。
AR(p)平稳性条件
必要条件:
β1+...+βp<1\beta_1+...+\beta_p<1β1+...+βp<1
充分条件:
∣β1∣+...+∣βp∣<1|\beta_1|+...+|\beta_p|<1∣β1∣+...+∣βp∣<1
格兰杰因果检验表述
若包含X,Y过去信息条件下,对Y的预测效果要优于只使用Y的过去信息,则称变量X是引致变量Y的格兰杰原因。
估计两个回归模型:
Yt=β0+∑i=1βiYt−i+∑i=1αiXt−i+μtY_t = \beta_0 + \sum_{i=1} \beta_iY_{t-i}+\sum_{i=1}\alpha_iX_{t-i}+\mu_tYt=β0+i=1∑βiYt−i+i=1∑αiXt−i+μt
Xt=δ0+∑i=1δiXt−i+∑i=1λiYt−i+vtX_t=\delta_0+\sum_{i=1}\delta_iX_{t-i}+\sum_{i=1}\lambda_iY_{t-i}+v_tXt=δ0+i=1∑δiXt−i+i=1∑λiYt−i+vt
格兰杰检验通过受约束的F检验完成,即计算F统计量:
F=(RSSR−RSSU)/mRSSU/(n−k)F = \frac{(RSS_R-RSS_U)/m}{RSS_U/(n-k)}F=RSSU/(n−k)(RSSR−RSSU)/m
时间序列计量经济学模型相关推荐
- 一阶差分单位根检验_计量经济学第11讲(时间序列计量经济学模型:平稳性及其检验)...
第五章.时间序列计量经济学模型 5.2平稳性及其检验 5.2.1问题提出 其一,时间序列平稳性等价于截面数据的随机抽样性. 能够使用中心极限定理来说明随机误差项的正态性 能够通过样本平均推断总体平均 ...
- 计量经济学建模_浅谈统计学模型(兼计量经济学模型)
计量经济学模型是从统计学模型中衍生出来的,故将它们一并放在此处进行说明. 实际上,很多人在很久之前就督促我写一篇统计学和计量经济学模型的文章,但我太懒惰,一直拖到现在,也是十分汗颜. 先讲一些统计学上 ...
- 深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM(Long Short Term Memory Network)长短时记忆网络,是一种改进之后的循环神经网 ...
- 深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Bi-LSTM算法构建时间序列多变量模型预测交通流量+代码实战 人类并不是每时每刻都从一片空白的大脑开始他们的思考.在你阅读这篇文章时候,你都是基于自己已经拥有的对先前所见 ...
- 深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:Encoder-Decoder LSTM算法构建时间序列多变量模型预测交通流量+代码实战 LSTM是一种时间递归神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要 ...
- 深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:卷积神经网络(CNN)算法构建时间序列多变量模型预测交通流量+代码实战 卷积神经网络,听起来像是计算机科学.生物学和数学的诡异组合,但它们已经成为计算机视觉领域中最具影响力 ...
- 深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战
深度学习多变量时间序列预测:GRU算法构建时间序列多变量模型预测交通流量+代码实战 GRU是LSTM网络的一种效果很好的变体,它较LSTM网络的结构更加简单,而且效果也很好,因此也是当前非常流形的一种 ...
- 自相关函数,功率谱,时间序列信号模型三者的关系
一般AR模型适合表示时间序列的功率谱有尖峰而没有深谷的信号,MA模型适合表示其功率谱有深谷而没有尖峰的信号,ARMA模型则适合尖峰和深谷都有的情况 弄清三者的关系我们需要先学习谱分解的知识 n分解方法 ...
- 多元时间序列回归模型_多元时间序列分析和预测:将向量自回归(VAR)模型应用于实际的多元数据集...
多元时间序列回归模型 Multivariate Time Series Analysis 多元时间序列分析 A univariate time series data contains only on ...
- R语言 时间序列arima模型
基本理论知识 ARMA模型称为自回归移动平均模型,是时间序列里常用的模型之一.ARMA模型是对不含季节变动的平稳序列进行建模.它将序列值表示为过去值和过去扰动项的加权和.模型形式如下: yt=c ...
最新文章
- 这可能是十年来最酷的神经科学发现
- 遇到attemp to invoke virtual method
- Bootstrap 表单的动作按钮
- 【Flink】flink-connector-elasticsearch5与flink-connector-elasticsearch6 有什么区别
- JavaScript通俗易懂(一)-变量提升
- Menu菜单资源Android
- HTML5新增的表单类型
- SQL_Server快捷键
- 数据结构期末考题总结(附答案)
- 比亚迪半导体IPO再生波折:又被中止审核 红杉小米是股东
- RuntimeError: weight tensor should be defined either for all or no classes
- mac双系统w ndows8,Mac安装win8.1双系统多个分区教程
- 数学建模之稳定性模型详解
- ThinkPHP 入门
- 比特币钱包开发:通过助记词扩展子地址的原理与编码
- HTML5期末大作业:基于html企业官网项目的设计与实现【艺术官网】
- rod 基于CDP协议的web自动化工具(爬虫)
- 过新版狗php一句话,整理的最新WebSHell (php过狗一句话,过狗菜刀,2016过狗一句话,2016php免杀一句话)...
- 【shell附加课】shell脚本调试方案详解
- 【学生管理系统】学生管理(重点)