第十四章 非平稳时间序列模型平稳时间序列的均值为常数，自协方差函数与起点无关，而非平稳时间序列则不满足这两条要求。
对于非平稳时序的分析处理，基本思路是考虑如何转化到平稳时序，或者如何与平稳时序联系起来。
非平稳时序有两个最主要的表现形式，一个是序列带有趋势项，一个是单位根过程。
对于带有趋势项的时序，处理办法是从序列里减去趋势项，即减去一个函数；对于单位根过程，处理办法是作序列的差分，即序列自身前后项相减。
还有一个办法，就是找到另外的有共同趋势的时序相减，即减去另外的序列，几个非平稳的时序组合可以变成平稳的。
这样理解时序的平稳化办法，包括理解协稳（Cointegration ）过程，应该比较通俗形象。
本章先研究随机游走和单位根过程。
不带常数项的单位根过程，最简单的如:t t t y y ε+=−1 （14.0.1）它的均值尽管为常数，可是方差会趋于无穷，不是平稳过程：221)()(σεεt E y D t t =++=L （14.0.2）带有常数项的单位根过程：t t t y y ερμ++=−1， 1=ρ （14.0.3）经反复替代可得：∑∞=+=0)(i t t y εμ （14.0.4）显然有增长趋势。
因此研究单位根过程的性质，推广到一般情形，进行假设检验，就十分重要。
单位根过程的检验十分复杂，难以掌握，同时存在的问题较多。
一是统计量转换比较多，二是使用极限分布，三是使用随机积分，四是分布表比较粗糙。
本书作者使用自己提出的统计量分布函数表的M —C 算法，避免了这四个问题，容易掌握，自然也比较精确一些。
如果几个单位根过程组合起来变成了平稳过程，那么这几个单位根过程之间就存在协稳关系。
本章详细研究了协稳过程与协稳向量的性质、参数估计与假设检验，包括最小二乘方法与最大似然方法。
由于利用了我们的统计量分布函数表的M —C 算法，所以处理假设检验问题比较轻松。
不必推导什么极限分布，写出了参数估计的统计量，知道了模型变量的初始分布，就可以算出统计量的分布函数表，进行假设检验了。
第八章、非平稳时间序列分析很多时间序列表现出非平稳的特性：随机变量的数学期望和方差随时间的变化而变化。
宏观经济数据形成的时间序列中有很多是非平稳时间序列。
非平稳时间序列与平稳时间序列具有截然不同的特征，研究的方法也很不一样。
因此，在对时间序列建立模型时，必须首先进行平稳性检验，对于平稳时间序列，可采用第七章的方法进行分析，对于非平稳时间序列，可以将采用差分方法得到平稳时间序列，然后采用平稳时间序列方法对差分数据进行研究，对于多个非平稳时间序列则可以采用协整方法对其关系进行研究。
8.1 随机游动和单位根8.1.1随机游动和单位根如果时间序列t y 满足模型t t t y y ε+=-1 （8.1）其中t ε为独立同分布的白噪声序列， ,2,1,)(2==t Var t σε，则称t y 为标准随机游动（standard random walk ）。
随机游动表明，时间序列在t 处的值等于1-t 时的值加上一个新息。
如果将t y 看作一个质点在直线上的位置，当前位置为1-t y ，则下一个时刻质点将向那个方向运动、运动多少（t ε）是完全随机的，既与当前所处的位置无关（t ε与1-t y 不相关），也与以前的运动历史无关（t ε与 ,,32--t t y y 不相关），由质点的运动历史和当前位置不能得出下一步运动方向的任何信息。
这便是 “随机游动”的由来。
随机游动时间序列是典型的非平稳时间序列。
将（8.1）进行递归，可以得出010211y y y y t s s t t t t t t t +==++=+=∑-=----εεεε （8.2）。
如果初始值0y 已知，则可以计算出t y 的方差为2)(σt y Var t =。
由此看出随机游动在不同时点的方差与时间t 成正比，不是常数，因此随机游动是非平稳时间序列。
下图给出了随12机游动时间序列图：图8.1 随机游动时间序列图将随机游动（8.1）用滞后算子表示为t t y L ε=-)1( （8.3），滞后多项式为L L -=Φ1)(。
