第二篇时间序列数据的回归分析第10章时间序列数据的基本回归分析10.1 复习笔记考点一：时间序列数据★★1．时间序列数据与横截面数据的区别（1）时间序列数据集是按照时间顺序排列。
（2）时间序列数据与横截面数据被视为随机结果的原因不同。
（3）一个时间序列过程的所有可能的实现集，便相当于横截面分析中的总体。
时间序列数据集的样本容量就是所观察变量的时期数。
2．时间序列模型的主要类型（见表10-1）表10-1 时间序列模型的主要类型考点二：经典假设下OLS的有限样本性质★★★★1．高斯-马尔可夫定理假设（见表10-2）表10-2 高斯-马尔可夫定理假设2．OLS估计量的性质与高斯-马尔可夫定理（见表10-3）表10-3 OLS估计量的性质与高斯-马尔可夫定理3．经典线性模型假定下的推断（1）假定TS.6（正态性）假定误差u t独立于X，且具有独立同分布Normal（0，σ2）。
该假定蕴涵了假定TS.3、TS.4和TS.5，但它更强，因为它还假定了独立性和正态性。
（2）定理10.5（正态抽样分布）在时间序列的CLM假定TS.1～TS.6下，以X为条件，OLS估计量遵循正态分布。
而且，在虚拟假设下，每个t统计量服从t分布，F统计量服从F分布，通常构造的置信区间也是确当的。
定理10.5意味着，当假定TS.1～TS.6成立时，横截面回归估计与推断的全部结论都可以直接应用到时间序列回归中。
这样t统计量可以用来检验个别解释变量的统计显著性，F统计量可以用来检验联合显著性。
考点三：时间序列的应用★★★★★1．函数形式、虚拟变量除了常见的线性函数形式，其他函数形式也可以应用于时间序列中。
最重要的是自然对数，在应用研究中经常出现具有恒定百分比效应的时间序列回归。
虚拟变量也可以应用在时间序列的回归中，如某一期的数据出现系统差别时，可以采用虚拟变量的形式。
2．趋势和季节性（1）描述有趋势的时间序列的方法（见表10-4）表10-4 描述有趋势的时间序列的方法（2）回归中的趋势变量由于某些无法观测的趋势因素可能同时影响被解释变量与解释变量，被解释变量与解释变量均随时间变化而变化，容易得到被解释变量与解释变量之间趋势变量的关系，而非真正的相关关系，导致了伪回归。
