常用计量经济模型课件

第一章常用计量经济模型第一章常用计量经济模型1第一节时间序列的外推、平滑和季节调整一、时间序列的成分

趋势成分（Trend）、循环成分（Cyclical）、季节成分（Season）、不规则成分（Irregular）第一节时间序列的外推、平滑和季节调整一、时间序列的成分2二、简单外推模型由时间序列过去行为进行预测的简单模型（适用于yt有一个长期增长的模式）1、线性趋势模型

yt=c1+c2t2、指数增长趋势模型两边取对数二、简单外推模型由时间序列过去行为进行预测的简单模型（适用于33、自回归趋势模型4、二次曲线趋势模型对数自回归趋势模型3、自回归趋势模型4、二次曲线趋势模型对数自回归4美国商业部：1986年1月至1995年12月百货公司的月零售额（亿元）[例1]百货公司销售预测美国商业部：1986年1月至1995年12月百货公司的月零售5三、平滑技术（目的是“消除”时间序列中的不规则成分引起的随机波动，适用于稳定的时间序列）1、移动平均模型移动平均数=最近n期数据之和/n例如3期移动平均中心移动平均3期中心移动平均三、平滑技术（目的是“消除”时间序列中的不规则成分引起的随机62、指数加权移动平均模型即（EWMA—ExponentiallyWeightedMovingAverages）

α越小，时间序列的平滑程度越高。[例2]美国月度新建住房数（1986年1月至1995年10月）2、指数加权移动平均模型即（EWMA—Expon7四、季节调整（目的是“消除”时间序列中的季节成分引起的随机波动）CensusⅡ(美国普查局开发的标准方法)移动平均比值法(RatiotoMovingAverages)四、季节调整（目的是“消除”时间序列中的季节成分引起的随机波8RatiotoMovingAverages——Multiplicative第一步用中心移动平均平滑序列yt对于月度资料

对于季度资料

此时可大致认为已无季节和不规则波动，可看作

的估计RatiotoMovingAverages——Mult9第二步估计S×I

令

zt即为S×I的估计第二步估计S×I令zt即为S×I的估计10第三步消除不规则变动，得到S的估计

对S×I中同一季节的数据进行平均，从而消除掉I。例如，对于月度数据，假定y1是1月份的数据，

y2是1月份的数据，

y3是1月份的数据，

y4是1月份的数据，总共4年数据。则第三步消除不规则变动，得到S的估计例如，对于月度数据，11第四步调整S的估计，使其连乘积等于1或和等于12。第四步调整S的估计，使其连乘积等于1或和等于12。12第二节随机时间序列模型基本假定：时间序列是由某个随机过程生成的。在一定条件下，我们可以从样本观察值中估计随机过程的概率结构，这样我们就能够建立序列的模型并用过去的信息确定序列未来数值的概率。常用模型：AR模型、MA模型、ARMA模型、ARIMA模型、VAR模型、ECM等。第二节随机时间序列模型基本假定：时间序列是由某个随机过程13统计特征不随时间变化而变化的过程是平稳过程（StableProcess）如果过程是严平稳的（StrictlyStationary），那么对任意的t和k，时刻t的联合概率密度函数等于时刻t+k的联合概率密度函数。也就是说，对于具有严平稳性质的随机过程，其全部概率结构只依赖于时间之差。严平稳性的条件很严格，我们希望稍微放松限制条件。于是从实际角度考虑，我们可以用联合分布的矩的平稳性来定义随机过程的平稳性。一、平稳过程统计特征不随时间变化而变化的过程是平稳过程（StableP14m阶弱平稳过程（WeaklyStationary）是指随机过程的联合概率分布的矩直到m阶都是相等的。若一个过程{r(t)}是2阶弱平稳过程，那么它会满足下列条件：（1）随机过程的均值保持不变；

（2）随机过程的方差不随时间变化；（3）r(i)和r(j)之间的相关性只取决于时间之差j-i。[注]：弱平稳过程不一定是严平稳过程；而严平稳过程若存在二阶矩，则必是2阶弱平稳过程。

m阶弱平稳过程（WeaklyStationary）是指随机15[例]

白噪声过程其中随机变量满足

显然白噪声过程是一个2阶弱平稳过程。[例]随机游走模型其中是服从正态分布的白噪声

显然因此Pt是非平稳过程。[例]白噪声过程其中随机变量满足显然白噪声过程是一16用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为

二、自相关函数如果[X(t)]是一个平稳过程，则有

因此

其中

协方差函数

用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为二17自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。

如果对所有的k>0，序列的自相关函数等于0或近似等于0，则说明序列的当前值与过去时期的观测值无关，这时该序列没有可预测性。相反，如果金融序列间是自相关的，就意味着当前回报依赖历史回报，因此可以通过回报的历史值预测未来回报。

自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。18[例]

白噪声过程的自相关函数协方差函数自相关函数[例]白噪声过程的自相关函数协方差函数自相关函数19样本自相关函数

样本自相关函数可以用来检验序列的所有k>0的自相关函数的真实值是否为0的假设。Box和Pierce的Q统计量如果检验通过，则随机过程是白噪声。样本自相关函数样本自相关函数可以用来检验序列的所有k>0的20自相关函数还可被用于检验一个序列是否平稳。

平稳时间序列的自相关函数随着滞后期k的增加而快速下降为0平稳序列非平稳序列自相关函数还可被用于检验一个序列是否平稳。平稳时间序列的21齐次非平稳过程

yt非平稳，但yt–yt-1平稳，称yt为一阶齐次非平稳过程

[例]随机游走过程是一阶齐次非平稳过程[例]利率的模型齐次非平稳过程yt非平稳，但yt–yt-1平稳，称y22时间序列的当前值依赖于过去时期的观察值。

三、自回归（Auto-Regression）模型p阶自回归模型AR(p)：一阶自回归模型AR(1)：均值若则过程平稳。[例]带漂移项的随机游走过程过程是非平稳的时间序列的当前值依赖于过去时期的观察值。三、自回归（Aut23不妨设常数项为0

平稳AR(1)过程的自相关函数

方差协方差不妨设常数项为0平稳AR(1)过程的自相关函数方差协方差24自相关函数

这说明自回归过程具有无限记忆力。过程当前值与过去所有时期的值相关，且时期越早，相关性越弱。

自相关函数这说明自回归过程具有无限记忆力。25四、移动平均（MovingAverages）模型q阶移动平均模型MA(q)：一阶移动平均模型MA(1)：均值若则过程平稳。四、移动平均（MovingAverages）模型q阶移动26MA(1)过程的自相关函数

协方差MA(1)过程的自相关函数协方差27自相关函数

这说明MA(1)过程仅有一期的记忆力。

MA(q)过程有q期的记忆力。自相关函数这说明MA(1)过程仅有一期的记忆力。28五、混合自回归-移动平均（ARMA）模型ARMA(p,q)：ARMA(1,1)：均值五、混合自回归-移动平均（ARMA）模型ARMA(p,29ARMA(1,1)过程的自相关函数

协方差方差自相关函数ARMA(1,1)过程的自相关函数协方差方差自相关函数30六、ARIMA模型ARIMA(p,d,q)：对原序列yt作d阶差分后应用ARMA(p,q)自回归算子：移动平均算子：六、ARIMA模型ARIMA(p,d,q)：对原序列yt31d的确定：差分后检查自相关函数，确定序列是否平稳，直到平稳为止。p、q的确定：由自相关函数、偏自相关函数确定，或由AIC、SC准则确定。ARIMA模型的确认若自回归过程的阶数为p，则对于j>p应有偏自相关函数αj≈0若移动平均过程的阶数为q，则对于j>q应有自相关函数ρj≈0AIC、SC准则:选择使准则值达到最小的模型阶数。d的确定：差分后检查自相关函数，确定序列是否平稳，直到32第三节VAR模型一、VAR（VectorAutoRegression，向量自回归）第三节VAR模型一、VAR（VectorAutoRegr33二、格兰杰因果关系（GrangerCausality）

如果变量x的过去和现在信息能有助于改进变量y的预测，则称y是由x格兰杰原因引起的（

y

isGranger-causedby

x

）。即若变量x的过去和现在信息被考虑进总体的所有其它信息中时，y能被预测得更有效。Granger,C.W..J.(1969)InvestigatingCausalRelationsbyEconometricModelsandCross-SpectralMethods.Econometrica,37,424-438.二、格兰杰因果关系（GrangerCausality）34GrangerCausalityTest假定(x,y)T由VAR(p)过程生成，即检验“x不是y的GrangerCause”:检验“y不是x的GrangerCause”:GrangerCausalityTest假定(x,y35三、脉冲响应函数(ImpulseResponseFunctions)脉冲响应函数

确定每个内生变量对他自己及所有其它内生变量的变化是如何反应的。

三、脉冲响应函数(ImpulseResponseFunc36四、方差分解(VarianceDecomposition)把每个变量预测误差的方差按其成因分解为与各个内生变量相关联的组成部分。

四、方差分解(VarianceDecomposition)37第四节协整理论Engle,RobertF.andC.W.J.Granger(1987)Co-integrationandErrorCorrection:Representation,Estimation,andTesting.Econometrica55,251-76.两个或两个以上非平稳的时间序列进行特殊组合后可能呈现平稳性。若xt

和yt是随机游走，但变量zt=xt–λyt是平稳的，则称xt

和yt是协整的，协整向量为（1,–λ）。第四节协整理论Engle,RobertF.andC38[例]考虑模型其中u1t和u2t是不相关的白噪声。分析：y2t是随机游走[例]考虑模型其中u1t和u2t是不相关的白噪声。分析：39第一章常用计量经济模型第一章常用计量经济模型40第一节时间序列的外推、平滑和季节调整一、时间序列的成分

趋势成分（Trend）、循环成分（Cyclical）、季节成分（Season）、不规则成分（Irregular）第一节时间序列的外推、平滑和季节调整一、时间序列的成分41二、简单外推模型由时间序列过去行为进行预测的简单模型（适用于yt有一个长期增长的模式）1、线性趋势模型

yt=c1+c2t2、指数增长趋势模型两边取对数二、简单外推模型由时间序列过去行为进行预测的简单模型（适用于423、自回归趋势模型4、二次曲线趋势模型对数自回归趋势模型3、自回归趋势模型4、二次曲线趋势模型对数自回归43美国商业部：1986年1月至1995年12月百货公司的月零售额（亿元）[例1]百货公司销售预测美国商业部：1986年1月至1995年12月百货公司的月零售44三、平滑技术（目的是“消除”时间序列中的不规则成分引起的随机波动，适用于稳定的时间序列）1、移动平均模型移动平均数=最近n期数据之和/n例如3期移动平均中心移动平均3期中心移动平均三、平滑技术（目的是“消除”时间序列中的不规则成分引起的随机452、指数加权移动平均模型即（EWMA—ExponentiallyWeightedMovingAverages）

α越小，时间序列的平滑程度越高。[例2]美国月度新建住房数（1986年1月至1995年10月）2、指数加权移动平均模型即（EWMA—Expon46四、季节调整（目的是“消除”时间序列中的季节成分引起的随机波动）CensusⅡ(美国普查局开发的标准方法)移动平均比值法(RatiotoMovingAverages)四、季节调整（目的是“消除”时间序列中的季节成分引起的随机波47RatiotoMovingAverages——Multiplicative第一步用中心移动平均平滑序列yt对于月度资料

对于季度资料

此时可大致认为已无季节和不规则波动，可看作

的估计RatiotoMovingAverages——Mult48第二步估计S×I

令

zt即为S×I的估计第二步估计S×I令zt即为S×I的估计49第三步消除不规则变动，得到S的估计

对S×I中同一季节的数据进行平均，从而消除掉I。例如，对于月度数据，假定y1是1月份的数据，

y2是1月份的数据，

y3是1月份的数据，

y4是1月份的数据，总共4年数据。则第三步消除不规则变动，得到S的估计例如，对于月度数据，50第四步调整S的估计，使其连乘积等于1或和等于12。第四步调整S的估计，使其连乘积等于1或和等于12。51第二节随机时间序列模型基本假定：时间序列是由某个随机过程生成的。在一定条件下，我们可以从样本观察值中估计随机过程的概率结构，这样我们就能够建立序列的模型并用过去的信息确定序列未来数值的概率。常用模型：AR模型、MA模型、ARMA模型、ARIMA模型、VAR模型、ECM等。第二节随机时间序列模型基本假定：时间序列是由某个随机过程52统计特征不随时间变化而变化的过程是平稳过程（StableProcess）如果过程是严平稳的（StrictlyStationary），那么对任意的t和k，时刻t的联合概率密度函数等于时刻t+k的联合概率密度函数。也就是说，对于具有严平稳性质的随机过程，其全部概率结构只依赖于时间之差。严平稳性的条件很严格，我们希望稍微放松限制条件。于是从实际角度考虑，我们可以用联合分布的矩的平稳性来定义随机过程的平稳性。一、平稳过程统计特征不随时间变化而变化的过程是平稳过程（StableP53m阶弱平稳过程（WeaklyStationary）是指随机过程的联合概率分布的矩直到m阶都是相等的。若一个过程{r(t)}是2阶弱平稳过程，那么它会满足下列条件：（1）随机过程的均值保持不变；

（2）随机过程的方差不随时间变化；（3）r(i)和r(j)之间的相关性只取决于时间之差j-i。[注]：弱平稳过程不一定是严平稳过程；而严平稳过程若存在二阶矩，则必是2阶弱平稳过程。

m阶弱平稳过程（WeaklyStationary）是指随机54[例]

白噪声过程其中随机变量满足

显然白噪声过程是一个2阶弱平稳过程。[例]随机游走模型其中是服从正态分布的白噪声

显然因此Pt是非平稳过程。[例]白噪声过程其中随机变量满足显然白噪声过程是一55用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为

二、自相关函数如果[X(t)]是一个平稳过程，则有

因此

其中

协方差函数

用[X(t)]表示一随机过程，滞后期为k的自相关系数定义为二56自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。

如果对所有的k>0，序列的自相关函数等于0或近似等于0，则说明序列的当前值与过去时期的观测值无关，这时该序列没有可预测性。相反，如果金融序列间是自相关的，就意味着当前回报依赖历史回报，因此可以通过回报的历史值预测未来回报。

自相关函数揭示了X(t)的相邻数据点之间存在多大程度的相关。57[例]

白噪声过程的自相关函数协方差函数自相关函数[例]白噪声过程的自相关函数协方差函数自相关函数58样本自相关函数

样本自相关函数可以用来检验序列的所有k>0的自相关函数的真实值是否为0的假设。Box和Pierce的Q统计量如果检验通过，则随机过程是白噪声。样本自相关函数样本自相关函数可以用来检验序列的所有k>0的59自相关函数还可被用于检验一个序列是否平稳。

平稳时间序列的自相关函数随着滞后期k的增加而快速下降为0平稳序列非平稳序列自相关函数还可被用于检验一个序列是否平稳。平稳时间序列的60齐次非平稳过程

yt非平稳，但yt–yt-1平稳，称yt为一阶齐次非平稳过程

[例]随机游走过程是一阶齐次非平稳过程[例]利率的模型齐次非平稳过程yt非平稳，但yt–yt-1平稳，称y61时间序列的当前值依赖于过去时期的观察值。

三、自回归（Auto-Regression）模型p阶自回归模型AR(p)：一阶自回归模型AR(1)：均值若则过程平稳。[例]带漂移项的随机游走过程过程是非平稳的时间序列的当前值依赖于过去时期的观察值。三、自回归（Aut62不妨设常数项为0

平稳AR(1)过程的自相关函数

方差协方差不妨设常数项为0平稳AR(1)过程的自相关函数方差协方差63自相关函数

这说明自回归过程具有无限记忆力。过程当前值与过去所有时期的值相关，且时期越早，相关性越弱。

自相关函数这说明自回归过程具有无限记忆力。64四、移动平均（MovingAverages）模型q阶移动平均模型MA(q)：一阶移动平均模型MA(1)：均值若则过程平稳。四、移动平均（MovingAverages）模型q阶移动65MA(1)过程的自相关函数

协方差MA(1)过程的自相关函数协方差66自相关函数

这说明MA(1)过程仅有一期的记忆力。

MA(q)过程有q期的记忆力。自相关函数这说明MA(1)过程仅有一期的记忆力。67五、混合自回归-移动平均（ARMA）模型ARMA(p,q)：ARMA(1,1)：均值五、混合自回归-移动平均（ARMA）模型ARMA(p,68ARMA(1,1)过程的自相关函数

协方差方差自相关函数ARMA(1,1)过程的自相关函数协方差方差自相关函数69六、ARIMA模型ARIMA(p,d,q)：对原序列yt作d阶差分后应用ARMA(p,q)自回归算子：移动平均算子：六、ARIMA模型ARIMA(p,d,q)：对原序列yt70d的确定：差分后检查自相关函数，确定序列是否平稳，直到平稳为止。p、q的确定：由自相关函数、偏自相关函数确定，或由AIC、SC准则确定。ARIMA模型的确认若自回归过程的阶数为p，则对于j>p应有偏自相关函数αj≈0若移动平均过程的阶数为q，则对于j>q应有自相关函数ρj≈0AIC、SC准则:选择使准则值达到最小的模型阶数。d的确定：差分后检查自相关函数，确定序列是否平稳，直到71第三节VAR模型一、VAR（VectorAutoRegression，向量自回归）第三节VAR模型一、VAR（VectorAutoRegr72二、格兰杰因果关系（GrangerCausality）

如果变量x的过