第十章计量经济学PPT课件.ppt

可编辑 1 时间序列数据 yt b0 b1xt1 bkxtk ut1 基本分析 可编辑 2 时间序列数据与横截面数据的比较 不像横截面数据 时间序列数据有一个时间的排序考虑到时间序列数据不再拥有一个对个体的随机样本 因此需要改变某些假定取而代之的是 可以将时间序列数据看作是一个随机过程的实现 可编辑 3 时间序列数据的例子 描述同期变量关系的静态模型 yt b0 b1zt ut允许自变量对y具有滞后效应的有限分布滞后 FDL 模型yt a0 d0zt d1zt 1 d2zt 2 ut更一般地 一个q阶的有限分布滞后模型将包含z的q个滞后变量 可编辑 4 有限分布滞后模型 通常将d0称为冲击倾向 它反映了y的即期变化对于自变量暂时的单期变化 y将在第q 1个时期之后回到它最初的水平通常将d0 d1 dq称为长期倾向 LRP 它反映了自变量的永久改变所导致的y的长期变化 可编辑 5 无偏性假定 仍然假定模型对参数是线性的 yt b0 b1xt1 bkxtk ut仍然需要作零条件均值假定 E ut X 0 t 1 2 n注意到这个假定的含义是 任一时期的误差项与所有时期的解释变量都无关 可编辑 6 无偏性假定 续 零条件均值假定表明 诸x都是严格外生的另外 一种更加类似于横截面情形的假定是E ut xt 0该假定意指 诸x是同期外生的同期外生性只能满足大样本的要求 可编辑 7 无偏性假定 续 仍需假定x是变量 并且诸x之间没有完全共线性注意我们已经跳过了随机样本假定随机样本假定的关键效应是每一个ui都是独立的而前面的严格外生性假定 已经包含了这一点 可编辑 8 普通最小二乘估计量的无偏性 基于上述三条假定 对于时间序列数据 普通最小二乘估计量是无偏的这正如横截面数据的情形一样 在适当的条件下普通最小二乘估计量是无偏的可以采用横截面情形下的相同方法 来分析遗漏变量的偏误问题 2020 2 5 9 可编辑 10 普通最小二乘估计量的方差 正如在横截面情形下一样 为了推导出估计方差 需要增加同方差性假定即假定Var ut X Var ut s2因此 误差项的方差是独立于所有的x 并且是不随时间而变的常数此外 还需要作无序列相关假定 Corr ut us X 0 对于t s 可编辑 11 普通最小二乘估计量的方差 续 在上述五个假定下 时间序列的普通最小二乘估计量的方差将与横截面情形相同 即s2的估计量是相同的普通最小二乘估计量仍然是最优线性无偏估计量加上误差项的正态假定 推断也是相同的 可编辑 12 带趋势的时间序列 经济时间序列通常具有时间趋势仅仅因为两个时间序列在时间趋势上走到了一起 是不能认为它们之间存在因果关系的经常地 是其他未观测到的因素 导致了两个时间序列出现趋势尽管这些因素是无法观测到的 但我们可以通过直接控制趋势来控制它们 可编辑 13 时间序列的趋势 续 一种可能性是线性趋势 可以采用模型 yt a0 a1t et t 1 2 另一种可能性是指数趋势 可采用模型 log yt a0 a1t et t 1 2 另外 还有二次函数趋势 可采用模型 yt a0 a1t a2t2 et t 1 2 可编辑 14 除趋势 在回归中增加一个线性趋势项 与在回归中使用已经除去趋势的时间序列 所得结果是一样的对时间序列除趋势 就是对模型中的每一个变量 都对时间t作回归由此得到除趋势序列的残差形式这样 序列中原有的时间趋势就被偏掉了 可编辑 15 除趋势 续 与向模型引入时间趋势因子相比 采用除趋势数据的好处是便于计算拟合优度由于趋势的高解释度 时间序列回归往往具有很高的R2而使用除趋势数据作回归 所得到的R2能够更真实地地反映xt对yt的解释程度 可编辑 16 季节性 通常 时间序列数据会表现出某种周期性 这种周期性统称为季节性例子