11第十一章 动态时间序列分析
- 格式:ppt
- 大小:1.07 MB
- 文档页数:69
第十一章 向量自回归前一章我们讨论了向量随机过程的基本性质。
本章我们将深入分析向量自回归模型,这种模型更适合于估计和预测。
由于Sims(1980)年在经济中的出色运用,向量自回归模型在分析经济系统的动态性上得到了广泛的应用。
§11.1 无限制向量自回归模型的极大似然估计和假设检验按照时间序列模型极大似然估计方法,我们首先分析向量自回归模型的条件似然估计。
11.1.1 向量自回归模型的条件似然函数假设t y 表示一个包含时间t 时n 个变量的1⨯n 的向量。
假设t y 的动态过程可以由下面的p 阶高斯向量自回归过程:假设我们已经在)(p T +个时间间隔中观测到这些n 个变量的观测值。
如同标量过程时的情形,最简单的方法是将前p 个样本(表示为021,,,y y y +-+-p p )做为条件,然后利用后面的T 个样本(表示为T y y y ,,,21 )形成参数估计。
我们的目的是构造下面的条件似然函数:这里参数向量为)(Ω,Φ,,Φ,Φc,θp 21 =,我们在上述函数中相对于参数θ进行极大化。
一般情形下,向量自回归模型是在条件似然函数基础上,而不是在无条件似然函数基础上进行估计的。
为了简单起见,我们将上述“条件似然函数”称为“似然函数”,相应的“条件极大似然估计”称为“极大似然估计”。
向量自回归与标量自回归过程的似然函数的计算方法是类似的。
基于时刻1-t 以前观测值,时刻t 的t y 值等于常数向量:p t p t t ---++++y Φy Φy Φc 2211,加上一个多元正态分布的随机向量)(~Ω0,εt N ,因此条件分布为:我们可以将上述条件分布表示成为更为紧凑的形式。
假设向量t x 是常数向量和t y 滞后值向量构成的综合向量:这是一个维数为]1)1[(⨯+np 的列向量。
假设Π'表示下述)]1([+⨯np n 维矩阵: 这时条件均值可以表示为t x Π',Π'的第j 行包含V AR 模型第j 个方程中的参数。
第11章OLS 用于时间序列数据的其他问题11.1复习笔记一、平稳和弱相关时间序列1.平稳和非平稳时间序列平稳时间序列过程,就是概率分布在如下意义上跨时期稳定的时间序列过程:如果从这个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。
(1)平稳随机过程对于随机过程{ 1 2 }t x t =:,,…,如果对于每一个时间指标集121m t t t ≤<<⋅⋅⋅<和任意整数h≥1,()12m t t t x x x ⋅⋅⋅,,,的联合分布都与()12 m t h t h t h x x x ++⋅⋅⋅+,,,的联合分布相同,那么这个随机过程就是平稳的。
这种平稳经常称为严平稳,它是从概率分布的角度去定义的。
其含义之一是(取m=1和t 1=1):对所有t=2,3,…,x 1与x t 都有相同的分布。
序列{ 1 2 }t x t =:,,…是同分布的。
不平稳的随机过程称为非平稳过程。
因为平稳性是潜在随机过程而非其某单个实现的性质,所以很难判断所搜集到的数据是否由一个平稳过程生成。
但是,要指出某些序列不是平稳的却很容易。
(2)协方差平稳过程(宽平稳,弱平稳)对于一个具有有限二阶矩()2t E x ⎡⎤∞⎣⎦<的随机过程{ 1 2 }t x t =:,,…,若:(i)E(x t )为常数;(ii)Var(x t )为常数;(iii)对任何t,h≥1,Cov(x t ,x t+h )仅取决于h,而不取决于t,那它就是协方差平稳的。
协方差平稳只考虑随机过程的前两阶矩:这个过程的均值和方差不随着时间而变化,而且,x t 和x t+h 的协方差只取决于这两项之间的距离h,与起始时期t 的位置无关。
由此立即可知x t 与x t+h 之间的相关性也只取决于h。
如果一个平稳过程具有有限二阶矩,那么它一定是协方差平稳的,但反过来未必正确。
由于严平稳的条件比较苛刻,在实际中从概率分布的角度去验证是无法实现的,所以在实际运用中所指的平稳都是指宽平稳,即协方差平稳。
时间序列分析课后习题答案TPMK standardization office【 TPMK5AB- TPMK08- TPMK2C- TPMK18】第9章 时间序列分析课后习题答案第10章(1)30× 31.06×21.05= 30×1.3131 = 39.393(万辆)(2117.11%= (3)设按7.4%的增长速度n 年可翻一番则有 1.07460/302n ==所以 n = log2 / log1.074 = 9.71(年)故能提前0.29年达到翻一番的预定目标。
第11章 (1)以1987年为基期,2003年与1987年相比该地区社会商品零售额共增长:(2)年平均增长速度为1%)8.61(%)2.81(%)101(15555-+⨯+⨯+=0.0833=8.33%(3) 2004年的社会商品零售额应为509.52)0833.01(307=+⨯(亿元)第12章 (1)发展总速度%12.259%)81(%)101(%)121(343=+⨯+⨯+ 平均增长速度=%9892.91%12.25910=-(2)8.561%)61(5002=+⨯(亿元)(3)平均数∑====415.142457041j j y y (亿元),2002年一季度的计划任务:625.1495.142%105=⨯(亿元)。
第13章(1)用每股收益与年份序号回归得^0.3650.193t Y t =+。
预测下一年(第11年)的每股收益为488.211193.0365.0ˆ11=⨯+=Y 元(2)时间数列数据表明该公司股票收益逐年增加,趋势方程也表明平均每年增长0.193元。
是一个较为适合的投资方向。
第14章 (1)移动平均法消除季节变动计算表(2)t T t ⨯+=63995.09625.8ˆ(3)趋势剔出法季节比例计算表(一)上表中,其趋势拟合为直线方程t T t ⨯+=63995.09625.8ˆ。
什么是时间序列分析关键信息项:1、时间序列分析的定义2、时间序列分析的目的3、时间序列分析的常用方法4、时间序列数据的特点5、时间序列分析的应用领域6、时间序列分析的步骤7、时间序列分析的局限性11 时间序列分析的定义时间序列分析是一种用于研究数据随时间变化规律的统计方法。
它通过对一系列按时间顺序排列的数据点进行分析,以揭示数据中的趋势、季节性、周期性和随机性等特征。
时间序列分析在经济学、金融学、气象学、工程学等多个领域都有广泛的应用。
111 时间序列数据的特点时间序列数据具有以下几个主要特点:1111 顺序性:数据是按照时间顺序依次记录的,时间顺序对于分析结果具有重要影响。
1112 相关性:相邻时间点的数据之间往往存在一定的相关性。
1113 趋势性:数据可能呈现出长期的上升、下降或稳定的趋势。
1114 季节性:某些数据在一年内的特定时间段内会表现出相似的模式,如销售数据在节假日期间的增加。
1115 随机性:数据中还包含了一些无法预测的随机波动。
12 时间序列分析的目的时间序列分析的主要目的包括:121 预测未来值:通过对历史数据的分析,预测未来一段时间内数据的可能取值,为决策提供依据。
122 理解数据的动态特征:揭示数据的趋势、季节性和周期性等模式,帮助人们更好地理解数据产生的机制。
123 监测和控制:用于监测系统的运行状态,及时发现异常情况并采取相应的控制措施。
124 评估政策和干预的效果:在政策实施或干预措施执行后,通过时间序列分析评估其对相关数据的影响。
13 时间序列分析的常用方法常用的时间序列分析方法包括:131 移动平均法:通过计算一定时期内数据的平均值来平滑数据,消除随机波动。
132 指数平滑法:对历史数据进行加权平均,给予近期数据更高的权重,以更好地反映数据的最新变化。
133 自回归模型(AR):利用数据自身的滞后值来预测当前值。
134 移动平均自回归模型(ARMA):结合自回归和移动平均的特点进行建模。