时间序列数据的基本回归分析(1).ppt

该【时间序列数据的基本回归分析(1) 】是由【相惜】上传分享，文档一共【39】页，该文档可以免费在线阅读，需要了解更多关于【时间序列数据的基本回归分析(1) 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。?答复:很明显,经济时间序列满足作为随机变量结果所要求的直观条件,这些变量的结果都无法事先预料到。〔例如,我们今天不知道道琼斯工业指数在下一个交易日收盘时会是多少,我们也不知道加拿大下一年的年产出增长会是多少。〕标准地,一个标有时间脚标的随机变量序列被称为一个随机过程〔stochasticprocess〕或时间序列过程〔timeseriesprocess〕。、静态模型我们将有两个变量〔例如y和z〕的时间序列数据标注相同的时期,将这样的y和z联系起来即为一个静态模型〔staticmodel〕:“静态模型〞的名称来源于我们正在模型化y和z的同期关系的事实。在一个静态回归模型中也可以有几个解释变量。2、有限分布滞后模型在有限分布滞后模型〔finitedistributedlagmodel,FDL〕中,我们容许一个或多个变量对y的影响有一定时滞。整理ppt考察一个二阶FDL:〔1〕当z发生一个暂时性的提高时,那么表示z在t时期提高一个单位所引起y的即期变化。通常被称作冲击倾向〔impactpropensity〕或冲击乘数〔impactmultiplier〕。〔注意:分别表示这一暂时变化发生后,下一时期、两个时期、…j个时期后y的变化—〕〔2〕当z从t期开始永久性提高,一期后y提高了,两期后y提高了。这说明,z的当期和滞后系数之和,等于z的永久性提高导致y的长期变化,它被称为长期倾向〔long-runpropensity,LRP〕或长期乘数〔long-runmultiplier〕。整理ppt整理ppt一个q阶有限分布滞后模型可写成:静态模型是上式的一种特例,当都为0即可。冲击倾向总是同期z的系数。长期倾向便是所有变量的系数之和。〔线性于参数〕〔无完全共线性〕:在样本中,没有任何自变量是恒定不变的,或者是其他自变量的一个完全线性组合。〔零条件均值〕:〔同方差性〕:该假定意味着,不能依赖于X〔只要和X相互独立就足够了—〕,且在所有时期都保持不变。〔无序列相关〕:【提问:我们为什么不假定不同横截面观测的误差是无关的呢?答:前述有随机抽样的假定,那么以样本中所有解释变量为条件,不同观测的误差是独立的。因此,就我们当前目的而言,序列相关只是时间序列和回归中的一个潜在问题。】〔正态性〕:误差独立于X,〔OLS的无偏性〕、,以X为条件,OLS估计量是无偏的,并因此下式也无条件地成立:〔OLS的样本方差〕在时间序列高斯--,以X为条件,的条件方差为:其中,是的总平方和,〔的无偏估计〕-,估计量是的一个无偏估计量,其中df=n-k-〔高斯-马尔可夫定理〕-,以X为条件,OLS估计量是最优线性无偏估计量。〔正态抽样分布〕-,以X为条件,OLS估计量遵循正态分布。而且,在虚拟假设下,每个t统计量服从t分布,F统计量服从F分布,通常构造的置信区间也是确当的。。H0:H1:文件::reginfunem结果:上述方程并没有说明unem和inf之间存在替代关系〔因为〕分析中可能存在的问题:〔1〕CLM假定不成立〔12章〕;〔2〕静态菲利普斯曲线不是最正确模型〔附加预期的菲利普斯曲线〕整理ppt