下载文档原格式
第一章 差分方程差分方程是连续时间情形下微分方程的特例。
差分方程及其求解是时间序列方法的基础，也是分析时间序列动态属性的基本方法。
经济时间序列或者金融时间序列方法主要处理具有随机项的差分方程的求解问题，因此，确定性差分方程理论是我们首先需要了解的重要内容。
§1.1 一阶差分方程假设利用变量t y 表示随着时间变量t 变化的某种事件的属性或者结构，则t y 便是在时间t 可以观测到的数据。
假设t y 受到前期取值1-t y 和其他外生变量t w 的影响，并满足下述方程：t t t w y y ++=-110φφ (1.1)在上述方程当中，由于t y 仅线性地依赖前一个时间间隔自身的取值1-t y ，因此称具有这种结构的方程为一阶线性差分方程。
如果变量t w 是确定性变量，则此方程是确定性差分方程；如果变量t w 是随机变量，则此方程是随机差分方程。
在下面的分析中，我们假设t w 是确定性变量。
例1.1 货币需求函数 假设实际货币余额、实际收入、银行储蓄利率和商业票据利率的对数变量分别表示为t m 、t I 、bt r 和ct r ，则可以估计出美国货币需求函数为：ct bt t t t r r I m m 019.0045.019.072.027.01--++=-上述方程便是关于t m 的一阶线性差分方程。
可以通过此方程的求解和结构分析，判断其他外生变量变化对货币需求的动态影响。
1.1.1 差分方程求解：递归替代法差分方程求解就是将方程变量表示为外生变量及其初值的函数形式，可以通过以前的数据计算出方程变量的当前值。
由于方程结构对于每一个时间点都是成立的，因此可以将(1.1)表示为多个方程：0=t ：01100w y y ++=-φφ 1=t ：10101w y y ++=φφt t =：t t t w y y ++=-110φφ依次进行叠代可以得到：1011211010110101)()1()(w w y w w y y ++++=++++=--φφφφφφφφ0111122113121102)1(w w w y y φφφφφφφ++++++=-i ti i t t i it w y y ∑∑=-=++=011110φφφφ (1.2)上述表达式(1.2)便是差分方程(1.1)的解，可以通过代入方程进行验证。
1. 什么是时间序列？请收集几个生活中的观察值序列。
按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。
例如我把每天的生活费记录下来；零售商把每个月的销售额记下来，重要的是时间间隔和量纲要相同。
2. 时域方法的特点是什么？时域分析方法具有理论基础扎实、操作步骤规范、分析结果易于解释，是时间序列分析的主流方法等特点。
3、时域方法的发展轨迹是怎样的？1927年,英国统计学家G. U. Yule 提出AR模型(自回归（autoregressive, AR）模型);1931年,英国统计学家、天文学家G. T. Walker提出MA模型(移动平均（moving average, MA）模型);1931年,英国统计学家、天文学家G. T. Walker提出ARMA模型(自回归移动平均（autoregressive moving average, AR MA）模型)1970年,美国统计学家G.E.P.Box和英国统计学家G.M.Jenkins 提出ARIMA模型(求和自回归移动平均（autoregressive integrated moving average, ARIMA）模型，又称（Box—Jenkins 模型）)出版了《Time Series Analysis Forecasting and Control》;美国统计学家,计量经济学家Robert F.Engle在1982年提出了自回归条件异方差（ARCH）模型,用以研究英国通货膨胀率的建模问题;Bollerslov在1985年提出了广义自回归条件异方差（GARCH）模型;Nelson等人指数广义自回归条件异方差（EGARCH）模型,方差无穷广义自回归条件异方差（IEGARCH）模型,依均值广义自回归条件异方差（EGARCH-M）模型。
在非线性场合，Granger和Andersen在1978年提出了双线性模型；Howell Ttong在1978年提出了门限自回归模型（分段线性化构造）等等。
一》identify
1.分析变量的描述性统计
名称，均值，标准差，观察值个数
2．样本自相关图
3.样本逆相关图
4.样本偏自相关图
5.纯随机性检验结果
二》相对最优定阶
Identify var=x nlag=8 minic p=(0:5) q=(0:5);
自相关延迟阶数小于等于5，移动平均延迟阶数小于等于5的ARMA(p，q)模型的BIC信息量；
模型为MA（4）；
三》参数估计
Estimate q=4 METHOD=CLS;
METHOD=ML(极大似然估计方法)
METHOD=ULS(最小二乘估计)
METHOD=CLS(条件最小二乘估计)（默认）
1.参数名称，MU常数，MA1,1是
1
2.各参数估计值
3.各参数估计值标准差
4.各参数t检验统计量的值
5.t统计量的P值
6.各参数对应延迟阶数；
7.从上到下方差估计值，标准差估计值，AIC信息量，SBC信息量，残差个数
显示中常数不显著则输入noint
系数相关矩阵
残差自相关检验结果
拟合模型
12340.91780.831980.5597890.623t t t t t t x ξξξξξ----=++++12340.91780.831980.5597890.623t t t t t t x ξξξξξ----=++++ 四》序列预测
Forecast lead=5 id=time out=results;
Lead 预测期数，id 身份标识，out 结果存入数据集中
预测序列 ，预测值 ，预测值的标准差值信上下限。
