FINTS第二章时间序列数据的回归模型课件

FINTS第二章时间序列数据的回归模型2024/4/16FINTS第二章时间序列数据的回归模型金融时间序列模型回归模型回顾FINTS第二章时间序列数据的回归模型回归模型回归简单的说描述一个变量如何随其它变量的变化而变化。y表示需要解释的变量x1,x2,...,xk表示k个解释变量线性回归模型表达式：当使用时间序列数据时的习惯表达式：FINTS第二章时间序列数据的回归模型回归模型y和x的不同名称:

y

x

dependent因变量 independent自变量 regressand（回归因变量）regressors（回归自变量） effectvariable（效果变量）causalvariables（原因变量）

0，1，…，k被称为系数（coefficients)ut随机扰动项(或称误差项）(randomdisturbanceterm)FINTS第二章时间序列数据的回归模型回归模型总体回归函数

0，1，…，k被称为总体参数或真实值总体回归函数是因变量的条件期望FINTS第二章时间序列数据的回归模型回归模型具体的说：线性回归模型中“回归模型”的含义是该模型的目的是计算因变量相对于自变量的条件期望，“线性”的含义是假设因变量的条件期望是解释变量的线性函数。FINTS第二章时间序列数据的回归模型回归模型样本回归函数拟和值fittedvalue：残差residual：

FINTS第二章时间序列数据的回归模型下面表达式哪些正确？FINTS第二章时间序列数据的回归模型多元线性回归模型回归模型的矩阵表达式：Y=X

+UFINTS第二章时间序列数据的回归模型回归模型普通最小二乘法估计结果：估计式（estimator或估计量）:计算系数的公式估计值(estimate)：把样本观测值带入估计式中计算得到的系数的数值。隐含着解释变量不存在完全多重共线性FINTS第二章时间序列数据的回归模型拟和优度和调整后拟和优度FINTS第二章时间序列数据的回归模型拟和优度拟和优度是因变量拟和值和真实值的相关系数的平方。拟和优度是模型的变差能被模型解释的部分。拟和优度高并不能说明模型好，一个低的拟和优度并不说明模型不好。时间序列数据的拟和优度一般都比较高。FINTS第二章时间序列数据的回归模型回归模型满足经典假设条件时，OLS估计量满足无偏性有效性服从正态分布FINTS第二章时间序列数据的回归模型金融时间序列模型时间序列数据回归模型需要满足的假设条件FINTS第二章时间序列数据的回归模型金融时间序列数据时间序列数据：某个变量按时间顺序等间隔排列的数字。用yt表示变量Y在t时刻的观测值。经常使用的金融变量包括:股票指数，债券收益率，期权，期货远期等资产的价格。t时刻与t+1时刻之间的时间长度一般是一年，一个季度，一个月等等，因此称数据有不同的频率，把不同频率的数据称为年度数据，季度数据，月度数据，周数据，日数据等。时间序列数据要求时间间隔是相等的。观测值的总数也称为样本容量，用T表示。FINTS第二章时间序列数据的回归模型基本概念随机过程stochasticprocess

设T是某个集合，俗称足标集，对任意固定t

T，Yt是随机变量，t

T的全体{Yt；t

T}称为T上的随机函数。记为{Yt}对每个固定的t，Yt是随机变量。通常T取为：1）T=[-

,

],T=[0,

]2)T=…-2,-1,0,1,2,…T=1,2,3,…FINTS第二章时间序列数据的回归模型基本概念随机过程的样本Sample或实现Realization对t时刻的随机变量Yt，假设有一个样本是yt，当t在下标集合T中取遍时，得到随机过程的一个样本，例如：Y1,Y2,Y3,…Yn,y11,y12,y13,…y1ny21,y22,y23,…y2n

随机过程的样本记为{yt}FINTS第二章时间序列数据的回归模型随机过程基本概念Yt－1称为一阶滞后变量，这个变量t时刻的取值等于变量Yt在t-1时刻的值。Yt－j称为j阶滞后变量，这个变量t时刻的取值等于变量Yt在t-j时刻的值。Yt–Yt－1称为一阶差分，用

Yt表示FINTS第二章时间序列数据的回归模型

滞后变量与一阶差分

datet

yt

yt-1

yt 1999：09 10.8 - - 1999：10 21.3 0.8 1.3-0.8=0.5 1999：11 3-0.9 1.3 -0.9-1.3=-2.2 1999：12 40.2 -0.9 0.2--0.9=1.1 2000：01 5-1.7 0.2 -1.7-0.2=-1.9 2000：02 62.3 -1.7 2.3--1.7=4.0 2000：03 70.1 2.3 0.1-2.3=-2.2 2000：04 80.0 0.1 0.0-0.1=-0.1 . . . . . . . . . . . .FINTS第二章时间序列数据的回归模型基本概念随机过程的参数

均值函数meanfunction：每个时刻的随机变量求均值得到的均值序列{

t}自协方差函数autocovariancefunction：任意两个时刻变量间的自协方差构成自协方差函数{

st}

自相关函数autocorrelationfunction：任意两个时刻变量间的自相关系数构成自相关函数{

st}

FINTS第二章时间序列数据的回归模型基本概念平稳随机过程

（weaklystationary,covariancestationary,secondorderstationary）如果随机过程二阶矩有界，并且满足以下条件（1）对任意整数t，E(Yt)=

，

为常数；（2）对任意整数t和s，自协方差函数

ts仅与t-s有关，同个别时刻t和s无关。即

ts=

t-s=

k

FINTS第二章时间序列数据的回归模型白噪声过程

whitenoiseprocess

随机过程满足1）E(

t)=0，对所有t2）E(

t2)=

2对所有t3）E(

t

s)=0,对任意t

s，或Cov(

t,

s)=0弱白噪声随机过程（Weaklywhitenoiseprocess），简称白噪声。记为{

t}~WN(0,

2)FINTS第二章时间序列数据的回归模型白噪声过程4）不同时刻随机变量是相互独立的随机变量，并且同分布称为独立白噪声，记为{

t}~I.I.D.(0,

2)如果再增加一个条件5）服从正态分布该过程为高斯白噪声（Gaussianwhitenoiseprocess）。FINTS第二章时间序列数据的回归模型回归模型经典线性回归模型假设条件假设解释变量是随机变量并且从建立模型的角度表述：对于i=1,2,…N假设A1假设A2假设A3解释变量间不存在完全多重共线性假设A4假设A5FINTS第二章时间序列数据的回归模型回归模型假设A2被称为严外生条件，表示t时刻的误差项与所有的观测，不管t时刻前还是t时刻后都无关。即误差项与解释变量是相互独立的。FINTS第二章时间序列数据的回归模型增加关于数据生成过程的假设。（datageneratingprocess)假设B1:假设B2:假设B3:解释变量间不存在完全多重共线性假设B4:假设B5：时间序列数据的特征是存在自相关，所以对于时间序列数据假设B1不成立。这些假设条件只适合截面数据简单随机抽样的情况。FINTS第二章时间序列数据的回归模型时间序列数据假设条件假设C1：是平稳过程，并且满足遍历性（遍历性：即随着j的增大与相互独立假设C2:假设C3：解释变量间不存在完全多重共线性假设C4:假设C5：FINTS第二章时间序列数据的回归模型Dynamicallycompletemodel

动态完全模型假设D1：是平稳过程，并且满足遍历性（遍历性：即随着j的增大与相互独立假设D2:假设D3：解释变量间不存在完全多重共线性假设D4:假设D5：目的是预测时，模型满足dynamicallycompletemodel条件。否则说明模型是错误的。FINTS第二章时间序列数据的回归模型金融时间序列模型动态模型FINTS第二章时间序列数据的回归模型时间序列数据回归模型静态模型分布滞后模型自回归分布滞后模型FINTS第二章时间序列数据的回归模型分布滞后模型系数的解释

j，j=0,1,…k被称为乘数，或冲击效应。

0被称为短期乘数或即期乘数，表示当期的冲击效应。含义是解释变量存在暂时变化时，对因变量的影响。暂时变化的含义：假设解释变量x在时刻t前是m，时刻t突然增加一个单位m+1，时刻t后，例如t+1，t+2…又变回m。t，t+1，t+2…因变量的变化。FINTS第二章时间序列数据的回归模型分布滞后模型系数的解释

0+

1+…+

h被称为h期累积乘数，h是1到k-1之间的数值，表示h期中解释变量x的变化对因变量y的累积效应

＝

0+

1+…+

k被称为长期乘数，表示x对因变量在所有时期冲击效应的总和累积效应的含义是解释变量发生永久变化时，对因变量的影响。FINTS第二章时间序列数据的回归模型分布滞后模型系数的解释

i/

，i=0,1,2,…k被称为标准化的乘数。表示解释变量改变一个单位后，在t+i期时，冲击效应占总效应的百分比。FINTS第二章时间序列数据的回归模型分布滞后模型系数的解释例如

0=0.5，

1=0.2，

2=0.1。长期乘数＝0.5+0.2+0.1=0.8，计算标准乘数分别是0.5/0.8=0.6250.2/0.8=0.250.1/0.8=0.125表示总效应中62.5%的效应立刻显现出来，经过1个周期后87.5％的效应显现出来，经过2个周期冲击效应达到100％FINTS第二章时间序列数据的回归模型自回归分布滞后模型系数的解释，以（3）为例解释变量对因变量的直接影响：

0+

1+

2

解释变量对因变量的总的影响，称为长期乘数：（

0+

1+

2）/(1-)t-1时期解释变量影响t-1时期的因变量，因为yt-1对yt有影响，所以t-1时期的解释变量对yt有间接的影响，直接影响＋间接影响＝长期乘数FINTS第二章时间序列数据的回归模型自回归分布滞后模型的长期解以下面模型为例：令每个时期的yt取值都是y，每个时期的xt取值都是x，随机误差项等于0：合并同类项，整理得：FINTS第二章时间序列数据的回归模型GRANGER因果检验检验x是否对y有预测作用，估计下面的回归模型：进行F－检验：z是对y有影响的其它解释变量。FINTS第二章时间序列数据的回归模型例1：对CAPM模型进行检验市场均衡时，单个资产预期的收益率应该等于多少？CAPM模型给出单个资产收益率与市场收益率的关系FINTS第二章时间序列数据的回归模型CAPM任何资产的预期收益率由市场超额收益率和该资产的beta决定。不同资产收益率之所以不相同是因为beta不同。在一个风险分散的资产组合中，任何两个资产的相对风险由他们的相对beta决定。

j<1”保守“，j=1”平均风险“，j>1”冒险“FINTS第二章时间序列数据的回归模型CAPMBETA的估计证券市场特征线（securitycharacteristicline)是一个回归模型，描述了数据运动过程两边求期望得到证券市场线，描述的收益率的预期之间的关系FINTS第二章时间序列数据的回归模型CAPM 估计BETA进行变换，用超额收益率（风险溢价）进行回归FINTS第二章时间序列数据的回归模型CAPM进行下面的回归根据CAPM应该有

j＝0BETA=1.44，大于市场平均风险H0:=0接受零假设CAPM成立FINTS第二章时间序列数据的回归模型CAPM根据这个公式进行投资会如何？拟和优度0.43说明被解释变量43％的变化可以由该模型来解释，但是仍然有57％的变化是这个模型解释不了的。因此虽然该模型说明统计上，个股超额收益率与市场超额收益率的关系显著成立，但是现实生活中根据这个公式投资仍然会犯错误。因为有57％被解释变量的变化是这个模型没有解释的。FINTS第二章时间序列数据的回归模型例2：简化资产组合的协方差阵的计算利用单指数模型简化协方差阵的计算单指数模型:从统计上，假设资产收益率与另外一个资产满足如下线性关系：容易推出FINTS第二章时间序列数据的回归模型例3：基金的评价回归模型H0:=0不能拒绝零假设说明CAPM成立，拒绝零假设时可以根据判断资产组合的好坏，称为Jensen’sAlpha如果>0，说明组合的表现大于市场的预期如果<0，组合的表现低于市场的预期选择了中国股票市场46只只基金，样本区间年度数据：2004：1－2008：3FINTS第二章时间序列数据的回归模型例3：截距项t统计量值的分布FINTS第二章时间序列数据的回归模型例4：GRANGER因果检验研究问题：汇率升值或贬值对与股票指数是否存在影响，效果是否存在不对称性？数据：被解释变量：解释变量：FINTS第二章时间序列数据的回归模型GRANGER因果检验FINTS第二章时间序列数据的回归模型例5：石油价格变化对宏观经济的影响希望解决的问题是对下面三个猜想进行验证：1石油价格变化对经济无影响2石油价格增加阻碍经济发展，反之无关3净石油价格增加对经济阻碍作用更大样本区间1960：1－2005：4FederalReserveBankofSt.Louis,RegionalEconomicDevelopment,2006,2(2),p131-139FINTS第二章时间序列数据的回归模型例5：模型模型如下：（ADRL)感兴趣的系数是FINTS第二章时间序列数据的回归模型例5：数据说明经济增长数据：全国数据可以用GDP来代替，但是地区数据不存在季度数据，因此用实际收入作为替代变量利率数据：用federalfundnorminalrate-inflationrate代替FINTS第二章时间序列数据的回归模型例5：数据石油价格变化有三个度量：BureauofEconomicAnalysis（BEA)公布的实际石油价格指数（P)表示石油价格，油价变化正的油价变化：净油价变化：找出过去四个季度的最大的石油指数FINTS第二章时间序列数据的回归模型例5：实证结论石油对收入的影响有两个渠道：1是油价变化对收入的直接的影响，用石油价格变化变量前的系数度量2是t-1期油价变化影响t-1期收入，t-1期收入的变化影响t期收入的间接影响，用乘数来度量FINTS第二章时间序列数据的回归模型例5：实证结论－直接影响

oilpositiveoilnetoilTennessee-0.026(0.83)-0.115(2.79)*-0.115(2.36)*Kentucky-0.063(1.74)-0.129(2.66)*-0.122(2.18)*Indiana-0.011(0.32)-0.103(2.12)*-0.108(1.86)**Illinois-0.011(0.32)-0.063(1.39)-0.103(2.2)*Mississippi0.002(0.07)-0.09(2.04)*-0.071(1.4)Missouri-0.013(0.4)-0.095(2.24)*-0.115(2.38)*Arkansas-0.016(0.49)-0.101(2.27)*-0.098(1.96)*FINTS第二章时间序列数据的回归模型例5：实证结论－长期乘数positiveoilnetoilTennessee-0.222(3.4)*-0.224(2.98)*Kentucky-0.189(3.07)*-0.196(2.59)*Indiana-0.219(2.26)*-0.255(2.07)*Illinois-0.15(1.54)-0.219(2.55)*Mississippi-0.151(2.38)*-0.132(1.6)Missouri-0.172(2.77)*-0.200(2.98)*Arkansas-0.208(2.59)*-0.209(2.23)*FINTS第二章时间序列数据的回归模型例5：实证结论所有州第一列都不显著。对于油价上升，除了illinois州都显著阻碍了经济的增长。第三列illinois变的显著了，说明illinois州对价格变化恢复速度快。原因因为illinois州的GSP非常大，排名第5（2004）年，石油部分占GSP产值非常小。Mississippi对净石油价格变化不显著可能是因为mississippi是产油大户，生产石油的企业因为油价上升而受益。FINTS第二章时间序列数据的回归模型对非线性约束进行假设检验零假设检验统计量服从标准正态分布估计标准误FINTS第二章时间序列数据的回归模型金融时间序列模型对模型的评价FINTS第二章时间序列数据的回归模型合格的模型需要满足的标准：统计上有良好的性质，并且有模型有合理的经济解释。参数需要满足：符号和大小与理论，经济行为一致。误差项需要满足（属于统计上的性质）无异方差无条件异方差无自相关模型误设：函数形式是线性的假设没有错误无结构变化（参数平稳）遗漏重要变量包括多余变量多重共线性总体评价指标：拟和优度，AIC,BIC等（统计上）比较不同模型的非嵌套检验FINTS第二章时间序列数据的回归模型违反假设条件的情况如何检验违反了假设条件忽略违反了假设条件，可能出现的后果系数估计值错误标准误错误假设检验分布错误如何解决违反假设条件的情况使假定不再被违反：修改模型或数据假定仍然被违反但是使用合适的估计方法FINTS第二章时间序列数据的回归模型违反正态性假设对残差使用JB检验判断是否满足正态分布。后果：系数和系数标准误的估计仍然正确，但是检验不再服从t分布，F分布，但是大样本情况下，仍然可以使用t分布或F分布。如何解决加入虚拟变量数据容量足够大使用不需要假设正态分布的估计方法例如广义矩估计法。FINTS第二章时间序列数据的回归模型非正态性情况由于异常值（outliers)导致残差存在非正态性，可以构造虚拟变量去掉这个观测值。即要保留每个数据点提供的信息，又要提出过分影响OLS的异常值，需要权衡。增加虚拟变量，必须有理论依据。一般是只发生一次的极端观测值，通过增加虚拟变量去掉。例如股市崩溃，金融恐慌，政府危机，季节性等。FINTS第二章时间序列数据的回归模型关于同方差的违反情况检验方法：WHITE检验例如：残差存在异方差时，OLS估计量的方差应该是：存在异方差，但是忽略，仍使用下面公式计算方差，是真实方差的有偏估计FINTS第二章时间序列数据的回归模型异方差出现的问题：系数仍然是无偏的，一致的标准误有偏，假设检验错误即使使用正确的方法估计方差，但是不是所有无偏估计量中方差最小的。解决方法（1）如果知道异方差的结构，使用加权最小二乘法（2）不知道异方差结构时，运用异方差一致标准误，这时假设检验有效。（3）对数据求自然对数（4）改变函数形式（5）增减解释变量，使用完全不同的解释变量FINTS第二章时间序列数据的回归模型违反无自相关的情况检验方法：（Breusch-Godfreytest)存在而又忽略的后果：与异方差类似系数是无偏的，一致的标准误计算有偏，正相关时，估计出的标准误小于真实标准误。反之亦然。假设检验错误。不是所有无偏估计量中，方差最小的。处理自相关如果知道自相关的结构使用GLS估计法使用异方差－自相关一致标准误修改模型：增加滞后变量，增加其它变量，使用完全不同的解释变量，改变函数形式FINTS第二章时间序列数据的回归模型误差存在自相关例如上面例子说明，模式漏掉了滞后变量导致出现自相关，自相关出现意味着模型设定错误。有时出现自相关是因为遗漏其它解释变量，或函数形式设置错误导致的。FINTS第二章时间序列数据的回归模型关于残差的检验CHOW断点检验RSS使用所有数据估计模型得到的残差平方和RSS1,RSS2使用断点前后数据估计模型得到的残差平方和T观测值数K模型中解释变量个数（包括截距项）统计量服从F(K,T-2K)分布FINTS第二章时间序列数据的回归模型CHOW断点检验CHOW建议的问题是断点前后的数据要足够多，才能分别进行估计，如果断点靠近数据开始或者结束时，需要进行修改。使用整个样本区间估计得到RSS使用数据多的子样本区间估计得到RSS1统计量T1数据多的子样本区间的样本容量T2数据少的子样本区间的样本容量FINTS第二章时间序列数据的回归模型CHOW断点如何发现断点画出折线图把数据按照重大事件分组保留最初或最后的几个数据，然后把剩下的数据每个点都作为断点进行一次CHOW检验如何处理使用两个样本区间估计修改模型增加（例如增加虚拟变量）或改变解释变量。FINTS第二章时间序列数据的回归模型关于残差的假设检验RESET函数误设检验：函数形式可能是非线性的改正方法：求自然对数后建立模型增加某个变量的平方增加解释变量或使用完全不同的解释变量FINTS第二章时间序列数据的回归模型多重共线性什么是多重共线性：如果解释变量之间相关系数等于0，我们说解释变量之间是正交的，这时增加或减少一个变量，其它变量前的系数不会发生变化。解释变量之间相关程度比较高时，称为多重共线性问题。FINTS第二章时间序列数据的回归模型多重共线性如何测定存在多重共线性1计算出解释变量的相关系数矩阵。单个系数t检验不显著，但是多个系数的F检验显著。模型R2比较大。增加或去掉一个变量系数估计值会发生很大的变化。甚至改变符号。FINTS第二章时间序列数据的回归模型例如因变量：房屋销售数量变量模型A模型B模型CC-3812.93687.9-1315贷款利率-198.4-169.66-184.75人口33.8214.9(3.61）（0.41）GNP0.910.52（3.64）（0.54）FINTS第二章时间序列数据的回归模型多重共线性例2因变量：拥有汽车的花费变量模型A模型B模型C购买年限7.3527.58(22.16)(9.58)行使的公里53.45-151.15(18.27)(-7.06)FINTS第二章时间序列数据的回归模型多重共线性：忽略多重共线性带来的问题估计量仍然是BLUE的，即无偏，有效，一致。但是对系数的解释存在困难，因为无法准确度量每个变量独自的贡献。系数的标准误计算出的数值会比不存在多重共线性时大假设检验仍然有效：但是要小心推断，如果因为每个变量都不显著，就去掉所有变量是错误的。对预测没有影响FINTS第二章时间序列数据的回归模型多重共线性如何解决改变估计方法。例如使用主成分法等但是这些方法非常复杂，性质比OLS法难以理解，并且并不被所有的计量经济学家认可。修改模型：去掉一个变量，缺陷是去掉的这个变量在理论上可能是需要加入模型的，详见遗漏变量修改数据（1）使用比率，或差分数据（2）增加数据量例如增加样本容量或使用高频数据（3）使用面板数据FINTS第二章时间序列数据的回归模型多重共线性例如房屋的例子，可以用人均GNP使用差分FINTS第二章时间序列数据的回归模型遗漏变量偏差假设真正模型是：模型1：但是建立下面的模型2：模型2遗漏变量指遗漏一个在回归模型1中系数不等于0的变量。即当模型包括x2时，x3仍能提供额外信息。遗漏重要变量，不单独指遗漏的变量与被解释变量有关，是指在模型中有x2的情况下，该变量对因变量仍然有额外的解释作用。即使x3与y有关，但是也有可能该变量不包括超过x2的信息，这时在模型1中x3的系数应该等于0.这时不包括x3是正确的。如果仍然包括x3，就会造成后面提到的包括多余变量。FINTS第二章时间序列数据的回归模型遗漏变量偏差条件1：遗漏变量对因变量有决定作用条件2：遗漏变量与模型中其它解释变量样本相关系数不等于0满足条件1和条件2时，会出现遗漏变量偏差，即参数的估计是有偏的，并且不再满足一致性。偏差如下：S23变量x2与x3的样本协方差，S22是x2的样本方差FINTS第二章时间序列数据的回归模型遗漏变量的后果忽略掉的变量与其它变量的样本相关系数等于0时，斜率仍然满足无偏性和一致性。但是截距项是有偏的，因此预测是错误的即使忽略掉的变量与其它变量样本相关系数等于0，系数的标准误的估计一般来说是有偏的，因此假设检验是错误的。FINTS第二章时间序列数据的回归模型遗漏变量遗漏截距项的后果可能会使E(Ut)0不再满足，这样计算出的拟和优度会出现负数。回归线被迫穿过原点，会导致其它系数有偏，标准误有偏，假设检验错误。FINTS第二章时间序列数据的回归模型包括多余变量假设真正模型是：模型1：但是建立下面的模型：模型2在有变量x2时，变量x3不能提供额外信息，但是仍然包括在模型中。出现包括多余变量问题。FINTS第二章时间序列数据的回归模型包括多余变量包括多余变量不是说包括的变量与因变量无关，多余变量可以与因变量无关，也可以有关，但是只要已经有变量x2，变量x3前的系数是等于0的。这时这个变量叫多余变量。包括多余变量带来的后果系数仍然无偏，一致。标准误估计量无偏，假设检验有效。但是与估计正确模型相比，估计量有更大的方差，因此精确度降低。FINTS第二章时间序列数据的回归模型包括多余变量真正模型中方差是：估计的包括多余变量模型中方差是是变量x2和变量x3的样本相关系数FINTS第二章时间序列数据的回归模型增减解释变量的几个策略每次只去掉一个解释变量，去掉p值最大的。P值多大时去掉合适呢？如果数据多p值选5％，如果数据少p值选10％。但是根据一般到特殊建模方法建立模型时，由于包括的滞后变量太多，可以一次去掉几个解释变量。如果两个变量都有较大的p值，先去掉没有经济意义的变量，如果理论上明确表示某变量对因变量有影响，即使不显著也不要去掉，要保留到最后。即使有些变量显著不等于0，但是我们感兴趣的变量不显著或符号不符合理论要求，p－值小于5％的变量也可以去掉。截距项不显著不用管它，不要先去掉截距项。有的变量去掉后，模型整体评价指标减弱，其他变量参数值和显著性变化不大，因此即使该变量不显著可以仍然保留在模型中。如果增减变量导致系数变化很大，特别是改变符号，说明模型存在严重问题。FINTS第二章时间序列数据的回归模型数据挖掘datamin