【计量经济学教程 精品讲义】11第十一章__时间序列分析

目录第十一章时间序列分析___________________________________________________________________ 2第一节时间序列的有关概念______________________________________________________________ 3一、时间序列的构成因素________________________________________________________________ 3二、时间序列的数学模型________________________________________________________________ 4第二节时间序列的因素分析______________________________________________________________ 4一、图形描述__________________________________________________________________________ 4二、长期趋势分析______________________________________________________________________ 5三、季节变动分析______________________________________________________________________ 8四、循环波动分析_____________________________________________________________________ 12第三节随机时间序列分析_______________________________________________________________ 14一、平稳随机过程概述_________________________________________________________________ 14二、ARMA模型的识别 ________________________________________________________________ 15三、模型参数的估计___________________________________________________________________ 19 英文摘要与关键词_______________________________________________________________________ 21习题__________________________________________________________________________________ 21第十一章时间序列分析通过本章的学习，我们应该知道：1.时间序列的数学模型及含义2.如何进行长期趋势分析3.如何进行季节变动分析4.如何进行循环变动分析5.A RMA模型的识别与参数估计时间序列分析是一种广泛应用的数量分析方法，主要用于描述和探索现象随时间发展变化的数量规律性。

计量经济学--时间序列数据分析时间序列数据的计量分析方法1.时间序列平稳性问题及处理方案1.1序列平稳性的定义从平稳时间序列中任取一个随机变量集，并把这个序列向前移动h 个时期，那么其联合概率分布仍然保持不变。

平稳时间序列要求所有序列间任何相邻两项之间的相关关系有相同的性质。

1.2不平稳序列的后果可能两个变量本身不存在关系而仅仅因为有相似的时间趋势而得出它有关系，也就是出现伪回归；破坏回归分析的假设条件，使得回归结果和各种检验结果不可信。

1.3平稳性检验方法：ADF 检验1.3.1ADF 检验的假设：辅助回归方程：11t t it i t i Y Y t Y ραργβμ--==+++?+∑（是否有截距和时间趋势项在做检验时要做选择）原假设：H 0：p=0,存在单位根备择假设：H 1：P<0，不存在单位根结果识别方法：ADF Test Statistic 值小于显著性水平的临界值，或者P 值小于显著性水平则拒绝原假设并得出结论：所检测序列不存在单位根，即序列是平稳序列。

1.3.2实例对1978年2008年的中国GDP 数据进行ADF 检验，结果如表一。

表一 ADF 检验结果Augmented Dickey-Fuller test statistic t-Statistic Prob.* 3.063621 1 Test critical values: 1% level -3.699871 5% level -2.976263 10% level -2.62742从结果可以看出，ADF 的t 统计量值大于10%显著性水平上的临界值，P 值为１，接受原假设，说明所检测的GDP 数据是不平稳序列。

1.4不平稳序列的处理方法1.4.1方法如果所要分析的数据是不平稳序列，可以对序列进行差分使其变成平稳序列，但是这样做的后果是使新得出的数据丧失了许多原序列的特征，我们能从数据中得到的信息会变少，通常差分的次数不能超过两次。

计量经济学中的时间序列分析计量经济学是应用经济学中比较基础的分支，主要研究经济学中的定量分析和增长趋势。

其中，时间序列分析作为计量经济学重要的一部分，被广泛运用于宏观经济学中的经济周期、经济增长率、通货膨胀以及个人收入等诸多领域。

时间序列分析是计量经济学中一种基本的研究方法，主要使用统计学技术处理时间序列数据，得出未来预测、检验理论假设和描述历史趋势等信息。

时间序列数据的重要性在于，它们反映了一个经济变量随着时间推移的变化规律。

这些数据可以被用来研究经济变量展现的时间趋势和季节性变化等。

因此，时间序列分析在宏观经济的长期趋势研究、短期波动分析、周期特征查验和经济结构变革判断等方面有重要的应用。

在时间序列分析中，经济变量随着时间的推移体现的规律通常被归纳为趋势、季节性、循环、随机波动四个方面。

趋势是一个时间序列中最为基本的成分，反映一项宏观经济变量的长期变化趋势，其普遍存在的原因可能是技术进步、人口变动、自然要素影响等等因素。

而季节性则是一项经济变量随着时间的相对固定的短期变化，反映的是因为季节性因素的影响而生的波动现象。

循环则是周期波动的一种体现，代表着长达数年的经济波动和周期性变化。

随机波动是时间序列中不可预测的无法被规律分析的随机性波动成分。

这种波动通常受到一些令人难以预测的特殊事件的影响，比如自然灾害、政府重大决策等。

时间序列分析方法有很多种，其中包括经典的时间序列分析方法，如白噪声检验、趋势分析、季节性分析、循环分析等。

同时也包括新兴的技术，如自回归移动平均模型(ARMA)、广义自回归条件异方差模型(GARCH)、立方样条获取非线性趋势和神经网络等。

这些方法涉及的内容比较复杂，因此初学者在学习中需要认真掌握这些方法和工具，并理解它们在数据处理和预测中的应用和限制。

总结而言，计量经济学中的时间序列分析是经济变量随时间推移表现出来的一种基本变化规律的统计学分析方法。

在宏观经济分析、政策研究、市场营销等方面有着广泛的应用。

计量经济学中的时间序列是指按照时间顺序排列的一系列数据，这些数据可以是同一指标在不同时间点的观测值，也可以是多个指标在不同时间点的观测值组合。

时间序列数据的分析主要涉及两个方面：一是数据平稳性检验，二是数据建模与分析。

数据平稳性检验是时间序列分析中非常重要的一个步骤。

平稳性是指时间序列数据的统计特性不随时间推移而发生变化。

如果数据不满足平稳性条件，那么传统的回归分析方法可能会出现问题。

因此，在利用回归分析方法讨论经济变量有意义的经济关系之前，必须对经济变量时间序列的平稳性与非平稳性进行判断。

如果数据是非平稳的，可能需要采用适当的处理方法，如差分、对数转换等，使其满足平稳性条件。

在数据平稳性检验通过后，接下来需要进行数据建模与分析。

在计量经济学中，自回归模型（AR模型）是一种常用的时间序列模型。

自回归模型是统计上一种处理时间序列的方法，它用同一变数例如x 的之前各期，亦即x 1至x t-1来预测本期x t的表现，并假设它们为一线性关系。

除了自回归模型外，还有其他的模型可用于时间序列分析，如移动平均模型（MA模型）、自回归移动平均模型（ARMA模型）等。

这些模型的参数估计与假设检验方法也是计量经济学中研究的重点内容之一。

总之，计量经济学中的时间序列分析是一个相对独立且完整的领域，它为经济学、金融学等领域的研究提供了重要的方法论支持和实践指导。

§9.2 随机时间序列分析模型一、时间序列模型的基本概念及其适用性二、随机时间序列模型的平稳性条件三、随机时间序列模型的识别四、随机时间序列模型的估计五、随机时间序列模型的检验经典计量经济学模型与时间序列模型确定性时间序列模型与随机性时间序列模型一、时间序列模型的基本概念及其适用性 1、时间序列模型的基本概念随机时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为 Xt=F(Xt-1, Xt-2, …, ?t) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构例如，取线性方程、一期滞后以及白噪声随机扰动项（ ?t =?t），模型将是一个1阶自回归过程AR(1)： Xt=?Xt-1+ ?t 这里， ?t特指一白噪声。

一般的p阶自回归过程AR(p)是Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*) 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p,q）：经典回归模型的问题：迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。

然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。

有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。

补充材料：非线性回归模型的线性化以上介绍了线性回归模型。

但有时候变量之间的关系是非线性的。

例如y t =α0+α11βt x +u t y t =α0t x e 1α+u t上述非线性回归模型是无法用最小二乘法估计参数的。

可采用非线性方法进行估计。

估计过程非常复杂和困难，在60年前几乎不可能实现。

计算机的出现大大方便了非线性回归模型的估计。

专用软件使这种计算变得非常容易。

但本章不是介绍这类模型的估计。

另外还有一类非线性回归模型。

其形式是非线性的，但可以通过适当的变换，转化为线性模型，然后利用线性回归模型的估计与检验方法进行处理。

称此类模型为可线性化的非线性模型。

下面介绍几种典型的可以做线性化处理的非线性模型。

⑴指数函数模型y t =tt u bx ae +(4.1)b >0和b <0两种情形的图形分别见图4.1和4.2。

显然x t 和y t 的关系是非线性的。

对上式等号两侧同取自然对数，得Lny t =Lna +b x t +u t(4.2)令Lny t =y t *,Lna =a *,则y t *=a *+bx t +u t(4.3)变量y t *和x t 已变换成为线性关系。

其中u t 表示随机误差项。

图4.1y t =tt u bx ae+,(b >0)图4.2y t =tt u bx ae+,(b <0)⑵对数函数模型y t =a +b Ln x t +u t(4.4)b >0和b <0两种情形的图形分别见图4.3和4.4。

x t 和y t 的关系是非线性的。

令x t *=Lnx t ,则y t =a +b x t *+u t(4.5)变量y t 和x t *已变换成为线性关系。

图4.3y t=a+b Lnx t+u t,(b>0)图4.4y t=a+b Lnx t+u t,(b<0)⑶幂函数模型y t=a x t b t u e(4.6) b取不同值的图形分别见图4.5和4.6。