时间序列分析时间序列分析与Eviews应用.ppt

时间序列分析与Eviews应用
1
在时间序列模型的发展过程中,一个重要的特征是对统计均衡关系做某种形式的假设,其中一种非常特殊的假设就是平稳性的假设。而大多数经济时间序列都是非平稳的,因此,由20世纪80年代初Granger提出的协整概念,引发了非平稳时间序列建模从理论到实践的飞速发展。
2
非稳定序列转化为稳定序列数据变量的平稳性是传统的计量经济分析的基本要求之一。只有模型中的变量满足平稳性要求时,传统的计量经济分析方法才是有效的.
而在模型中含有非平稳时间序列时,基于传统的计量经济分析方法的估计和检验统计量将失去通常的性质,从而推断得出的结论可能是错误的。因此,在建立模型之前有必要检验数据的平稳性。
在很长时间里,学者们在分析经济变量时都假定所分析的数据已满足平稳性的要求。
3
然而,近年来,尤其是纳尔逊和普洛瑟(Nelson Plosser,1982)的开创性论文发表后,随着计量经济学的发展,学者们对经济时间序列数据,尤其是宏观经济时间序列数据的看法发生了根本的变化。
许多经验分析表明,多数宏观经济变量都是非平稳的,由此引发了宏观经济分析方法尤其是周期分析方法的一场革命,即“单位根革命”。
4
解决的问题
1、如何判别虚假回归(伪回归)问题?
2、怎样检验一组变量存在协整关系?
3、一组变量若存在协整关系,怎样建立误差修正模型?

如何更好的通过已有数据反映变量之间的长、短期关系。
5
一、序列相关
三、协整和误差修正模型
二、非平稳时间序列
四、Eviews案例应用
6
一、序列相关
7
§ 序列相关及其产生的后果
对于线性回归模型
()
随机扰动项之间不相关,即无序列相关的基本假设为
()
如果扰动项序列ut表现为:
()
即对于不同的样本点,随机扰动项之间不再是完全相互独立的,而是存在某种相关性,则认为出现了序列相关性(serial correlation)。
8
由于通常假设随机扰动项都服从均值为0,同方差的正态分布,则序列相关性也可以表示为:
()
特别的,如果仅存在
()
称为一阶序列相关,这是一种最为常见的序列相关问题。
9
如果回归方程的扰动项存在序列相关,那么应用最小二乘法得到的参数估计量的方差将被高估或者低估。因此,检验参数显著性水平的t统计量将不再可信。可以将序列相关可能引起的后果归纳为:
②使用OLS公式计算出的标准差不正确,相应的显著性水平的检验不再可信;
③如果在方程右边有滞后因变量,OLS估计是有偏的且不一致。
④回归得到的参数估计量的显著性水平的检验不再可信。
①在线性估计中OLS估计量不再是有效的;
10