Eviews6.0第三讲 动态计量模型.ppt

1、第1、3阶动态测量模型、标准回归技术及其预测和测试在上一节中进行了讨论。本章重点讨论了基于单方程回归方法的时间序列模型的估计和定义。第9章还讨论了时间序列的向量自回归模型。这部分属于动态计量经济学的范畴。通常，使用时间系列的历史值、当前期间值和延迟扰动项的权重和建模来“解释”时间系列的变动规律。2，内容框架，序列相关理论(测试和修正)2郑智薰静态时间序列建模3协整和误差修正，3，序列相关理论，线性回归方程的扰动项ut满足经典回归假设时，使用OLS获得的估计值是线性偏中最佳。但是，如果扰动项ut不能满足经典回归假设，回归方程的估计结果如何变化？所有经典回归假设的扰动ut的违反都证明了回归方程的估

2、计结果不再具有上述好特性。4，(a)系列相关及其结果，线性回归模型(3.1.1)随机错误项之间不相关，即序列无关的默认假设是(3.1.2)扰动项序列ut为(3.1.3)，5，即对于不同采样点的随机扰动项之间不再存在一般假定随机扰动项遵循平均值为0，对等差的正态分布，因此序列从属关系可能表示为最常见的序列相关问题之一，特别是(3.1.4)只有(3.1.5)是主序列相对性的情况。6，如果回归方程的扰动项涉及序列，则应用最小二乘法方法获得的参数估计的方差被高估或低估。因此，确定参数重要性级别的t统计信息不再可靠。使用OLS公式计算的标准偏差不正确，其重要性级别的测试不再可靠，从而导致序列相关性。如果

3、方程式右侧有延迟原因变数，则OLS估计会有偏差且不相符。在线估计中，OLS估计不再有效。7，EViews提供了检测序列关联和估计方法的工具。但是首先要排除假序列相关。假序列相关性是由于省略了模型的序列相关性重要的解释变量而引起的。例如，在生产函数模型中，省略了称为资本的重要解释变量，资本对输出的影响被归类为随机错误项。由于时间的资本连续性和对交付项影响的连续性，随机错误项目的序列必然相关。因此，在这种情况下，需要将引人注目的变量引入解释变量。(b)序列相关检查方法，8，EViews提供了以下序列相关检测方法：1D。w统计检查Durbin-Watson统计(简单地说，d.w .统计)用于检查一阶

4、序列相关性，还估计回归模型相邻残差的线性连接。为扰动ut创建一阶自回归方程。(3.1.6) D.W统计测试的原始假设：=0，替代假设为0。9，如果序列不相关联，则d.w .值靠近2。如果存在正序列从属关系，则d.w .值小于2。如果存在负序列从属关系，则d.w .值为24。正序列相关性最常见，经验表明，对于大于50个观测值且解析变量较小的方程，d.w .值小于1.5表示残差序列具有强正第一序列相关性。10，与Dubin-Waston统计检查序列相关的三个主要缺陷。1D-W统计的扰动项取决于原始假设下的数据矩阵x。如果2回归方程式右侧存在延迟原因变数，D-W检查将不再有效。3检查是否存在第一序列

5、。其他两种检查序列相关方法：Q-统计和Breush-Godfrey LM测试克服了上述缺陷，适用于大多数情况。，11，2。相关图和Q-统计，我们还可以应用估计回归方程的残差序列的自相关和偏磁相关系数、Ljung-Box Q-统计等来检验序列相关性。Q-统计信息的表达式如下：其中rj是残差序列的j阶自相关系数，t是观测数，p是设定的尾随数。(3.1.7)，12，p阶滞后Q-统计的原始假设如下：序列没有p阶磁相关；替代假设如下：序列有p阶磁相关。Q-如果统计在延迟差中不明显为零，则序列在一定程度上相关。实际检验通常徐璐计算不同延迟阶段的Q-统计、自相关系数和部分自相关系数。每个阶Q-如果统计没有超

6、过根据设定的重要性级别确定的阈值，则不存在原始假设，即序列从属，此时每个阶Q和偏磁相关系数接近于0。13或相反，当特定延迟差p，Q-统计超过设定的重要性级别的阈值时，拒绝表示剩余顺序中p阶自相关的原始假设。Q-统计的p值是根据自由度p估计的，因此较大的采样容量是保证Q-统计效果的重要因素。EViews软件的工作方式：在表达式工具栏上，选择view/resdual tests/correlopagram-q-statistics。EViews显示残差的自相关函数和部分自相关函数，以及与高阶序列相对应的Ljung-Box Q统计信息。如果残差没有序列相关性，那么每个阶后的自相关值和部分自相关值都接

7、近于0。所有Q统计信息都不是很重要，p值很大。14，3。与d.w .统计中只检查扰动项的一阶自相关不同，Breush-Godfrey LM测试可用于检查回归方程的残差序列中是否存在高阶自相关性，LM检查在方程的后继变量存在的情况下也有效。LM检查假定p为预定义的整数，直到与原始p次滞后相关的序列为止。替代假设是p阶磁相关。检验统计信息通过以下辅助回归分析计算：15，1)估计回归方程，残差et (3.1.8) 2)检验统计可以基于以下回归(3.1.9):这是对原始回归系数Xt和p阶的延迟残差的回归。LM检查通常提供两种统计信息：f统计信息和TR2统计信息。f统计是(3.1.9)对所有延迟残差组合

8、重要性的测试。TR2统计是LM检查统计，观测数t乘以回归方程(3.1.9)的R2。通常，TR2统计数据遵循渐进分布。16，在给定重要性级别上，如果这两个统计小于设置重要性级别下的阈值，则表示在设置的重要性级别上不存在序列相关的序列。相反，如果这两个统计数据大于设置重要性级别下的阈值，则表示序列具有序列相关性。软件的工作方式：选择view/resdual tests/serial correlation LM test，对通常包含ARMA错误条目的更高级别运行Breush-Godfrey LM。在定义延迟对话框中，输入要检查序列的高级别数。17，(3)与扰动项存在序列相关的线性回归方程的估计和修

9、正，与线性回归模型扰动项序列相关的存在会导致模型估计结果的失真。因此，为了消除序列相关性对模型估计结果的不利影响，必须提供扰动项序列结构的准确说明。通常，可以使用AR(p)模型描述固定序列的自相关的结构，定义为(3.1.10) (3.1.11)，18。其中ut是无条件误差项，是回归方程(3.1.10)的误差项，参数0、1、2、k是回归模型的系数。样式(3.1.11)是错误项ut的p阶自回归模型，参数1、2、p是p阶自回归模型的系数，t是对应的扰动项，平均为0，方差常量的白噪声序列，是变量实际值与基于解释变量和先前预测误差的预测值之间的差值。以下说明如何使用AR(p)模型修改摄动项目的序列相关性

10、，以及如何在移除摄动项目后估算方程式的未知参数。19，1修正第一系列相关性最简单，最常用的系列相关模型是一阶自回归AR(1)模型。描述第一阶线性回归模型时，请输入p=1 (3.1.12) (3.1.13)，(3 . 1 . 13)(3 . 1 . 12)，(3.1.14)，20 (3.1.12)和然后，整理(3.1.16)命令，如果替换表达式(3.1.16)中的(3.1.17)已知，则可以使用OLS方法直接估计。如果值未知，通常可以使用GaussNewton迭代方法获取0，1的估计值。21，2修正高阶序列相关的一般残差序列中存在p阶序列时，AR(p)过程可能给出错误形式。对于高阶自回归过程，利

11、用与一阶序列相似的方法，将延迟误差分成各项目，摄动项目可以求出白噪声序列、参数为非线性回归方程、高斯-牛顿迭代法的非线性回归方程的参数。例如：第一阶线性回归模型仍在讨论，且残差序列与第三阶序列相关(p=3的情况：22，根据在上面处理AR(1)的方式，用原始方程替换扰动项的滞后项(3.1.20)，在一系列简化后，参数为非线性，扰动项t得到白噪声序列的回归方程。利用非线性最小二乘法方法，可以估计回归方程的未知参数0，1，1，2，3。23、上述讨论可以扩展到更一般的方案。对于非线性形式为f (xt，)的非线性模型，如果残差序列具有p阶序列，则还可以使用(3.1.21) (3.1.22)相似方法，将误

12、差项t转换为白噪声序列的非线性回归方程。例如，使用p=1，(3.1.23) Gauss-Newton算法估计参数。24、3。在Eviews中工作程序：选取Quick/Estimate Equation或Object/New Object/Equation以开启方程式，输入方程式变数，然后输入ar(1) ar(2) ar(3)。25.需要注意的是，输入的ar(1) ar(2) ar(3)分别表示三个滞后要素的系数。因此，如果认为残差仅在第二次后续和第四次后续有自身的关系，其他后续没有自身的关系，那么在估计时，应该输入以下内容：cs c GDP cs (-1) ar (2) eviews在删除序列

13、相关性时具有很大的灵活性，可以输入要包含在模型中的各个自我回归项目。例如，输入cs c GDP cs(-1) ar(4)，以具有季度数据，并将季节性自动回归作为单个条目删除。26，平均值，方差和协方差等固定序列的数值特性不随时间的变化而变化，每个时间点时间序列的随机性取决于特定的概率分布。但是，对于郑智薰静态时间系列，时间系列的数值特性会随着时间而变化。两个郑智薰-静态时间系列建模，27，即无缝时间系列，可以通过过去时间点的信息对历史信息建模，以预测未来信息。在每个时间点，固定时间序列的随机规律是不同的，通过序列所知道的信息很难掌握整个时间序列的随机性。因此，建模的异常序列很难预测。但是实际经

14、历的经济和财务数据大部分是郑智薰静态时间序列。28，图中国的GDP序列，29，1。确定性时间趋势和单位根过程郑智薰静态经济时间序列有两种方法。一种方法是包括确定性时间趋势(3.2.1)。其中ut是固定序列。A t是线性趋势函数。此过程也称为平滑趋势，因为从样式(3.2.1)中减去a t的结果是平滑过程。比赛时间序列通常呈指数增长，但指数趋势可以转换成线性趋势。(a)郑智薰静态序列和单个整数，设置为30的另一种方法是单位根进程，在郑智薰静态序列中通过差分操作获得稳定序列，考虑到以下内容(3.2.2)，可以写成(3.2.3)，31:其中a是常数，ut是停止序列，ut i.i.d. N (0，2)和

15、ut是白噪声序列，则此过程称为包含位移a的随机移动。如果A=0，y0=0，var(yt)=t 2(t=1，2，T)，则这违反了时间系列稳定性的假设。差异序列yt是固定序列。32，事实上回归方程的序列自相关问题暗示残差序列是静态的。如果残差序列是非正则序列，那么除了变量可以解释的部分以外，其他部分的变化是不变的，因为随着时间的推移，它会进一步偏离变量平均值的趋势，成为不能用于预测未来信息的模型。33，残差序列将非平稳序列的回归称为伪回归，这种回归可能适合度、显著性水平等指标良好，但残差序列是不变序列，因此这种回归关系实际上不能反映变量和解释变量之间存在的均衡关系，只是简单数字上的巧合。如果在伪回归的引用描述模型的设置中存在问题，则可能需要增加解析变量、减少解析变量或对原始方程进行差分处理，以使残差序列平稳。34，2。单个整数以上的非正则序列(例如yt)通过差分