时间序列数据分布滞后模型
- 格式：pdf
- 大小：567.36 KB
- 文档页数：12
设定 DU t U t U t U t 1 ，并设定 0 ， GN ，且包含一个误差项，则奥
第 2 页 共 12 页
肯定律可以改写为设定的计量模型：
DU t 0Gt et
（1）
认识到产出的变动很可能会对失业率产生分布滞后效应的影响， 并非所有的影响 会立即生效。因此，加入 Gt 的滞后项，则（1）式可扩展成为：
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
图4 从图中可以看出， DU 0.581 0.202 Gt 0.165 Gt 1 0.072 Gt 2 0.003 Gt 3 ，
图3 从图中可得， DU 0.584 0.202 Gt 0.165 Gt 1 0.070 Gt 2 ， R 2 0.654 ，
( se ) (t ) ( 0.047 ) (12.360 ) ( 0.323) ( 6.238 ) ( 0.034 ) ( 4.930 ) ( 0.033) ( 2.115 )
1.1 1.7 2 1.3 1.1 1.6 2.2 1.1 2.5 0.7 1.1 0.3 1.3 0 0.7 1.2 1 0.9 0.6 1.1 1.1 2.2 1.4
4.4 4.5 4.4 4.3 4.3 4.2 4.1 4 3.9 4 3.9 4.2 4.4 4.8 5.5 5.7 5.8 5.7 5.9 5.9 6.1 6.1 5.8
1 2 g 1.4 2
美国失业率和 GDP 百分比观测值（1985,2—2009,3）
u 7.3 7.2 26 27 g 1.2 1 u 6.9 7.1 51 52 g 1.1 1.1 u 4.7 4.6 76 77 g 1.6 1.6 u 5.7 5.6
第 1 页 共 12 页
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
S.E.=0.173。 （二） q 3 对数据进行最小二乘分析，得出下图： （此步骤具体过程参见附 E）
Coefficient C G G(-1) G(-2) G(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.580975 -0.202053 -0.164535 -0.071556 0.003303 0.652406 0.636957 0.174329 2.735164 33.71590 42.23065 0.000000 Std. Error 0.053889 0.033013 0.035818 0.035304 0.036260 t-Statistic 10.78090 -6.120369 -4.593706 -2.026836 0.091092 Prob. 0.0000 0.0000 0.0000 0.0456 0.9276 0.027368 0.289329 -0.604545 -0.470131 -0.550232 1.274079
( se ) (t ) ( 0.054 ) (10.781) ( 0.033) ( 6.120 ) ( 0.036 ) ( 4.549 ) ( 0.035 ) ( 2.027 ) ( 0.036 ) ( 0.091)
R 2 0.625
（三）分析
S.E.=0.174。
比较滞后长度为 2 和 3 时，公式（2）的系数的最小二乘估计值以及相关统
Coefficient C G G(-1) G(-2) R-squared 0.583556 -0.202022 -0.165327 -0.070013 0.653946 Std. Error 0.047212 0.032383 0.033537 0.033100 t-Statistic 12.36036 -6.238474 -4.929709 -2.115213 Prob. 0.0000 0.0000 0.0000 0.0371 0.025000
时间序列数据的有限分布滞后模型
【实验目的】
1、了解时间序列数据的有限分布滞后模型的含义及具体内容，掌握对有限 分布滞后模型进行图像显示和估计的若干方法。 2、能够运用所学知识对有限分布滞后模型进行相关处理，并要求初步掌握 Eviews 在有限分布滞后模型方面的基本操作方法。
【实验原理】
1、时间序列数据 2、有限分布滞后模型 3、最小二乘原理 4、奥肯定律
【实验软件】
Eviews 6.0
【实验步骤】 一、设定模型 首先将实验数据导入软件之中。 （注：本实验报告正文部分只显示软件统
计结果，导入数据这一步骤参见附 A）
本次试验数据使用的是美国 1985 年第二季度到 2009 年第三季度的失业率和 GDP 百分比变动的季度数据。实验数据来源于课本中的例题，由老师提供。如 下表： 表
Mean dependent var
第 4 页 共 12 页
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic P600 2.740748 34.47553 57.95148 0.000000
78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
1.5 1.6 1.9 1.1 1.8 1.4 2.1 1.2 0.8 1.2 1.4 1.5 1.3 1.1 0.3 0.9 0.3 -1.4 -1.2 -0.2 0.8
5.4 5.4 5.3 5.1 5 4.9 4.7 4.7 4.6 4.4 4.5 4.5 4.7 4.8 4.9 5.4 6.1 6.9 8.1 9.3 9.6
7.4 7.6 7.6 7.4 7.1 7.1 6.8 6.6 6.6 6.2 6 5.6 5.5 5.7 5.7 5.6 5.5 5.5 5.3 5.3 5.2 5 4.9
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
个季度开始计算。 2、GDP 增长（ G ）的变化（1985 年第二季度到 2009 年第三季度） 根据 Eviews 的操作，得到下图： （此步骤具体过程参见附 C）
第 3 页 共 12 页
图2 三、奥肯定律有限分布滞后模型的数理估计 在（2）式中，q 指滞后期（滞后长度） ，表明时间序列数据之间相互影响的 广度。失业率的变动和本时期的经济增长肯定存在着关系，因此在本次实验中， 选取 2 和 3 分析，即选取之后长度为 2 以及 3 来讨论。 本次实验假定实验所用数据满足 SR1—SR5，即产出变动对失业率产生分布 滞后效应可以以线性模型来表示，随机误差项的均值为 0，其方差和随机变量 DU 有相同的方差，各组数据之间是不相关的，并且选取的变量 G 不是随机的。 从而可以以最小二乘估计的方式来进行比较和衡量。 （一） q 2 对数据进行最小二乘分析，得出下图： （此步骤具体过程参见附 D）
其中，第一列是按时间顺序编的号码， “1”代表第一组观测值，即 1985 年第二 季度的数据， “2”代表第二组观测值，即 1985 年第三个季度的数据，以下依次 类推， “98”即为 2009 年第三季度的数据。 “g”指 GDP（Gross Domestic Product， 国内生产总值）增长率，以百分比计数，正数表示正增长，负数表示负增长。 “u” 指失业率(Unemployment rate） ，以百分比计数。 奥肯定律是指失业率从某一时期到下一时期的变化取决于经济产出的增长
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
1.6 1.7 1.5 1.6 0.8 1.2 1 1.9 1.5 1.9 1.2 1.6 0.8 0.7 1.3 1.2 1.3 2.1 1.2 1.7 1.4 1.7 1.6
DU t 0Gt 1Gt 1 ... q Gt q et
二、时间序列数据的图形显示 1、失业率（ DU ）的变化（1985 年第三季度到 2009 年第三季度） 根据 Eviews 的操作，得到下图： （此步骤具体过程参见附 B）
（2）
图1 由于 DU 的初始值 DU1 U 2 U1 ，因而只有 97 个数据，起始时间从 1985 年第三
【体验和建议】 本次实验比较简单，原理和应用上也不是很难。而且老师在上课的时候已经 讲得非常清楚，所以这次实验做起来比较顺手。 这是第一次接触到时间序列数据的处理，和以往的数据处理有不同也有共 性。希望老师以后能多给后面的学弟学妹们讲解这方面数据的处理。
附录 附 A：导入数据 1、建立空的工作集。 打开 Eviews，单击右键，选取“New” ，在它的右拉菜单中选择“Workfile...”
U t U t 1 Gt GN ， 率的相关定律， 其表达式为： 其中 U t 是 t 期的失业率，Gt
是 t 期的产出增长值，GN 为“正常”的增长率，并且假设 GN 是恒定的。参数 是 正的，这意味着当产出增长率高于正常水平时，失业率将会下降；当增长率低于 正常水平时，失业率将会上升。正常增长率 GN 是为保持一个恒定失业率而需达 到的产量增长速度，它等于劳动力增长率和劳动生产力增长率的总和。我们预期 0< <1，反映出产出量增长率将导致小于一比一的失业率的调整。
Gt 3 ，并且确定该模型为二阶模型。
第二，当 q 2 时，在其他因素保持不变的情况下，产出增长率增加 1%会导 致当前季度失业率下降 0.20%，下一个季度下降 0.16%，再往后一个季度下降 0.07%。因而当滞后长度为 2 时，总乘数为—0.437（即—0.202、—0.165 与—0.70 之和） 。这显示了产出增长对失业率的总体影响，可见政府应该重视产出增长对 失业率的影响。 第三，当滞后长度为 3 时，含有 Gt 3 的估计模型的 R 2 低于滞后长度为 2 时 候的 R 2 。这有悖于加入一个变量会使 SSE 减小并使得 R 2 变大的常理，因为两种 情况下的观测值个数是不同的。当 q 2 时，使用了 96 个数据；当 q 3 时，则使 用了 95 个数据。
第 2 页 共 12 页
肯定律可以改写为设定的计量模型：
DU t 0Gt et
（1）
认识到产出的变动很可能会对失业率产生分布滞后效应的影响， 并非所有的影响 会立即生效。因此，加入 Gt 的滞后项，则（1）式可扩展成为：
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Hannan-Quinn criter. Durbin-Watson stat
图4 从图中可以看出， DU 0.581 0.202 Gt 0.165 Gt 1 0.072 Gt 2 0.003 Gt 3 ，
图3 从图中可得， DU 0.584 0.202 Gt 0.165 Gt 1 0.070 Gt 2 ， R 2 0.654 ，
( se ) (t ) ( 0.047 ) (12.360 ) ( 0.323) ( 6.238 ) ( 0.034 ) ( 4.930 ) ( 0.033) ( 2.115 )
1.1 1.7 2 1.3 1.1 1.6 2.2 1.1 2.5 0.7 1.1 0.3 1.3 0 0.7 1.2 1 0.9 0.6 1.1 1.1 2.2 1.4
4.4 4.5 4.4 4.3 4.3 4.2 4.1 4 3.9 4 3.9 4.2 4.4 4.8 5.5 5.7 5.8 5.7 5.9 5.9 6.1 6.1 5.8
1 2 g 1.4 2
美国失业率和 GDP 百分比观测值（1985,2—2009,3）
u 7.3 7.2 26 27 g 1.2 1 u 6.9 7.1 51 52 g 1.1 1.1 u 4.7 4.6 76 77 g 1.6 1.6 u 5.7 5.6
第 1 页 共 12 页
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
S.E.=0.173。 （二） q 3 对数据进行最小二乘分析，得出下图： （此步骤具体过程参见附 E）
Coefficient C G G(-1) G(-2) G(-3) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic Prob(F-statistic) 0.580975 -0.202053 -0.164535 -0.071556 0.003303 0.652406 0.636957 0.174329 2.735164 33.71590 42.23065 0.000000 Std. Error 0.053889 0.033013 0.035818 0.035304 0.036260 t-Statistic 10.78090 -6.120369 -4.593706 -2.026836 0.091092 Prob. 0.0000 0.0000 0.0000 0.0456 0.9276 0.027368 0.289329 -0.604545 -0.470131 -0.550232 1.274079
( se ) (t ) ( 0.054 ) (10.781) ( 0.033) ( 6.120 ) ( 0.036 ) ( 4.549 ) ( 0.035 ) ( 2.027 ) ( 0.036 ) ( 0.091)
R 2 0.625
（三）分析
S.E.=0.174。
比较滞后长度为 2 和 3 时，公式（2）的系数的最小二乘估计值以及相关统
Coefficient C G G(-1) G(-2) R-squared 0.583556 -0.202022 -0.165327 -0.070013 0.653946 Std. Error 0.047212 0.032383 0.033537 0.033100 t-Statistic 12.36036 -6.238474 -4.929709 -2.115213 Prob. 0.0000 0.0000 0.0000 0.0371 0.025000
时间序列数据的有限分布滞后模型
【实验目的】
1、了解时间序列数据的有限分布滞后模型的含义及具体内容，掌握对有限 分布滞后模型进行图像显示和估计的若干方法。 2、能够运用所学知识对有限分布滞后模型进行相关处理，并要求初步掌握 Eviews 在有限分布滞后模型方面的基本操作方法。
【实验原理】
1、时间序列数据 2、有限分布滞后模型 3、最小二乘原理 4、奥肯定律
【实验软件】
Eviews 6.0
【实验步骤】 一、设定模型 首先将实验数据导入软件之中。 （注：本实验报告正文部分只显示软件统
计结果，导入数据这一步骤参见附 A）
本次试验数据使用的是美国 1985 年第二季度到 2009 年第三季度的失业率和 GDP 百分比变动的季度数据。实验数据来源于课本中的例题，由老师提供。如 下表： 表
Mean dependent var
第 4 页 共 12 页
Adjusted R-squared S.E. of regression Sum squared resid Log likelihood F-statistic P600 2.740748 34.47553 57.95148 0.000000
78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98
1.5 1.6 1.9 1.1 1.8 1.4 2.1 1.2 0.8 1.2 1.4 1.5 1.3 1.1 0.3 0.9 0.3 -1.4 -1.2 -0.2 0.8
5.4 5.4 5.3 5.1 5 4.9 4.7 4.7 4.6 4.4 4.5 4.5 4.7 4.8 4.9 5.4 6.1 6.9 8.1 9.3 9.6
7.4 7.6 7.6 7.4 7.1 7.1 6.8 6.6 6.6 6.2 6 5.6 5.5 5.7 5.7 5.6 5.5 5.5 5.3 5.3 5.2 5 4.9
53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
个季度开始计算。 2、GDP 增长（ G ）的变化（1985 年第二季度到 2009 年第三季度） 根据 Eviews 的操作，得到下图： （此步骤具体过程参见附 C）
第 3 页 共 12 页
图2 三、奥肯定律有限分布滞后模型的数理估计 在（2）式中，q 指滞后期（滞后长度） ，表明时间序列数据之间相互影响的 广度。失业率的变动和本时期的经济增长肯定存在着关系，因此在本次实验中， 选取 2 和 3 分析，即选取之后长度为 2 以及 3 来讨论。 本次实验假定实验所用数据满足 SR1—SR5，即产出变动对失业率产生分布 滞后效应可以以线性模型来表示，随机误差项的均值为 0，其方差和随机变量 DU 有相同的方差，各组数据之间是不相关的，并且选取的变量 G 不是随机的。 从而可以以最小二乘估计的方式来进行比较和衡量。 （一） q 2 对数据进行最小二乘分析，得出下图： （此步骤具体过程参见附 D）
其中，第一列是按时间顺序编的号码， “1”代表第一组观测值，即 1985 年第二 季度的数据， “2”代表第二组观测值，即 1985 年第三个季度的数据，以下依次 类推， “98”即为 2009 年第三季度的数据。 “g”指 GDP（Gross Domestic Product， 国内生产总值）增长率，以百分比计数，正数表示正增长，负数表示负增长。 “u” 指失业率(Unemployment rate） ，以百分比计数。 奥肯定律是指失业率从某一时期到下一时期的变化取决于经济产出的增长
28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
1.6 1.7 1.5 1.6 0.8 1.2 1 1.9 1.5 1.9 1.2 1.6 0.8 0.7 1.3 1.2 1.3 2.1 1.2 1.7 1.4 1.7 1.6
DU t 0Gt 1Gt 1 ... q Gt q et
二、时间序列数据的图形显示 1、失业率（ DU ）的变化（1985 年第三季度到 2009 年第三季度） 根据 Eviews 的操作，得到下图： （此步骤具体过程参见附 B）
（2）
图1 由于 DU 的初始值 DU1 U 2 U1 ，因而只有 97 个数据，起始时间从 1985 年第三
【体验和建议】 本次实验比较简单，原理和应用上也不是很难。而且老师在上课的时候已经 讲得非常清楚，所以这次实验做起来比较顺手。 这是第一次接触到时间序列数据的处理，和以往的数据处理有不同也有共 性。希望老师以后能多给后面的学弟学妹们讲解这方面数据的处理。
附录 附 A：导入数据 1、建立空的工作集。 打开 Eviews，单击右键，选取“New” ，在它的右拉菜单中选择“Workfile...”
U t U t 1 Gt GN ， 率的相关定律， 其表达式为： 其中 U t 是 t 期的失业率，Gt
是 t 期的产出增长值，GN 为“正常”的增长率，并且假设 GN 是恒定的。参数 是 正的，这意味着当产出增长率高于正常水平时，失业率将会下降；当增长率低于 正常水平时，失业率将会上升。正常增长率 GN 是为保持一个恒定失业率而需达 到的产量增长速度，它等于劳动力增长率和劳动生产力增长率的总和。我们预期 0< <1，反映出产出量增长率将导致小于一比一的失业率的调整。
Gt 3 ，并且确定该模型为二阶模型。
第二，当 q 2 时，在其他因素保持不变的情况下，产出增长率增加 1%会导 致当前季度失业率下降 0.20%，下一个季度下降 0.16%，再往后一个季度下降 0.07%。因而当滞后长度为 2 时，总乘数为—0.437（即—0.202、—0.165 与—0.70 之和） 。这显示了产出增长对失业率的总体影响，可见政府应该重视产出增长对 失业率的影响。 第三，当滞后长度为 3 时，含有 Gt 3 的估计模型的 R 2 低于滞后长度为 2 时 候的 R 2 。这有悖于加入一个变量会使 SSE 减小并使得 R 2 变大的常理，因为两种 情况下的观测值个数是不同的。当 q 2 时，使用了 96 个数据；当 q 3 时，则使 用了 95 个数据。
