Eviews8章时间序列模型

EViews统计分析基础教程第8章时间序列模型重点内容：•时间序列的分解方法•随机过程的定义•AR、MA、ARMA模型的建立方法•协整理论•误差修正（ECM）模型的建立EViews统计分析基础教程一、时间序列的趋势分解时间序列的分解方法包括两种：•季节调整（适用于趋势要素与循环要素不可分时）•趋势分解（适用于趋势要素和循环要素可分解时）EViews统计分析基础教程一、时间序列的趋势分解趋势分解——HP（Hodrick–Prescott）滤波法设时间变量Yt含有趋势因素和波动因素，令Yt=YtT+YtC（t=1，2，T）其中，YtT表示含有趋势因素的时间序列，YtC表示含有波动因素的时间序列。HP滤波法就是将时间序列Yt中YtT的分离出来。设minHP滤波就是求该式的最小值。HP滤波取决于参数λ，当λ=0时，符合最小化的趋势序列为Yt序列；当λ逐渐变大时，估计的趋势变得越来越光滑；当λ接近于∞时，估计的趋势接近于线性函数。TtYTtLcYTtYt122EViews统计分析基础教程一、时间序列的趋势分解趋势分解——HP（Hodrick–Prescott）滤波法EViews操作方法：选择序列对象工具栏中的“Proc”|“Hodrick–PrescottFilter…”选项，将弹出右图所示的对话框。在“Smoothed”的编辑栏中输入趋势序列名在“Lambda”的编辑栏中输入参数λ的值，如果是年度数据输入100，如果是季度数据输入1600，如果是月度数据输入14400。然后单击“OK”按钮，就会得到原序列和趋势序列的图形。EViews统计分析基础教程二、时间序列的指数平滑EViews操作方法：选择序列对象工具栏中的“Proc”|“Hodrick–PrescottFilter…”选项，就可以弹出指数平滑法的对话框，如下图所示。在“Smoothingmethod”中选择方法;在“Smoothingparameters”中写入平滑参数，如果输入字母E，系统会自动估计参数;在“Smoothedseries”输入平滑后的序列名称。EViews统计分析基础教程三、随机过程分类：•白噪声（WhiteNoise）过程•随机游走（RandomWalk）过程。EViews统计分析基础教程三、随机过程分类：白噪声过程白噪声过程是指，对于随机过程{xt,t∈T}，如果E(xt)=0Var(xt)=σ2∞Cov(xt，xt+-s)=0其中，t∈T，（t+s）∈T，s≠0，此时{xt}为白噪声过程。白噪声过程是平稳的随机过程，其均值为0，方差为常数，随机变量间不相关。白噪声源于物理学，指功率谱密度在整个频域内均匀分布的噪声。EViews统计分析基础教程三、随机过程分类：白噪声过程白噪声过程是指，对于随机过程{xt,t∈T}，如果E(xt)=0Var(xt)=σ2∞Cov(xt，xt+-s)=0其中，t∈T，（t+s）∈T，s≠0，此时{xt}为白噪声过程。白噪声过程是平稳的随机过程，其均值为0，方差为常数，随机变量间不相关。EViews统计分析基础教程三、随机过程分类：白噪声过程白噪声源于物理学，指功率谱密度在整个频域内均匀分布的噪声。时间序列{xt}白噪声过程图形EViews统计分析基础教程三、随机过程分类：随机游走过程随机游走过程是指，时间序列中下个时期的值等于本期值加上一个独立的（或至少是不相关的）误差项。在最简单的随机游走中，xt的每一次变化均来自于前期xt-1的变化，其表达式为xt=xt-1+ut（8-9）其中，ut为平稳的随机过程，即为白噪声过程，xt为随机游走过程。EViews统计分析基础教程三、随机过程分类：随机游走过程时间序列{xt}随机游走过程图形EViews统计分析基础教程四、时间序列模型的分类1、自回归（AR）模型时间序列{xt}的p阶自回归（AR，AutoRegressive）模型的表达式为xt=c+1xt-1+2xt-2+…+pxt-p+ut其中，参数c为常数；1，2，…，p为自回归模型的系数，是待估参数；p为自回归模型的阶数；ut为白噪声序列，其均值为0，方差为σ2。称xt为p阶自回归过程，用AR（p）表示。自回归模型AR（p）常用来修正随机误差项ut的序列相关EViews统计分析基础教程四、时间序列模型的分类2、移动平均（MA）模型时间序列{xt}的q阶移动平均（MA，MovingAverage）模型的表达式为xt=c+ut+β1ut-1+β2ut-2+…+βqut–q其中，参数c为常数；β1，β2，…，βq为移动平均模型的系数，是模型的待估参数；q为移动平均模型的阶数；ut为白噪声序列，其均值为0，方差为σ2。称xt为q阶移动平均过程，用MA（q）表示。时间序列{xt}由1个ut和q个ut的滞后项加权的和组成，“移动”是指时间t的变化，“平均”指的是ut滞后项的加权和。EViews统计分析基础教程四、时间序列模型的分类3、自回归移动平均（ARMA）模型自回归移动平均模型是由自回归模型AR（p）和移动平均模型MA（q）共同组成的随机过程，因而也被称为混合模型，记作ARMA（p,q）。其表达式为xt=c+1xt-1+2xt-2+…+pxt-p+ut+β1ut-1+β2ut-2+…+βqut–q其中，p和q分别表示自回归模型和移动平均模型的最大阶数。当p=0时，自回归移动平均模型ARMA（0,q）=MA（q）；当q=0时，自回归移动平均模型ARMA（p,0）=AR（p）。EViews统计分析基础教程四、时间序列模型的分类3、自回归移动平均（ARMA）模型ARMA模型的识别在EViews软件中，通过分析序列的相关图判断ARMA（p,q）模型的p与q的阶数。在主菜单栏中选择“Quick”|“SeriesStatistics”|“Correlogram”选项，在弹出的文本框中输入序列对象的名称；或者打开序列对象窗口，选择序列对象工具栏中的“View”|“Correlogram”选项，均会弹出对话框。EViews统计分析基础教程四、时间序列模型的分类3、自回归移动平均（ARMA）模型ARMA模型的识别“Level”表示原序列，“1stdifference”表示一阶差分序列，“2stdifference”表示二阶差分序列。“Lagstoinclude”中输入最大滞后期k（季度数据，最大滞后期为4、8等；月度数据，最大滞后期为12、24等）单击“OK”按钮即可得到序列对象的相关图和Q统计量。EViews统计分析基础教程四、时间序列模型的分类3、自回归移动平均（ARMA）模型ARMA模型的识别在ARMA模型的识别中，如果自相关函数（AC）在p期后显著趋于0，偏自相关函数（PAC）在q期后显著趋于0，则建立ARMA（p，q）模型。EViews统计分析基础教程四、时间序列模型的分类4、自回归单整移动平均模型ARMA(p,d,q)经过d次差分后变换的ARMA（p,q）模型为ARIMA（p,d,q）模型（AutoregressiveIntegratedMovingAverage）。ARIMA（p,d,q）模型的估计过程与ARMA（p,q）模型基本相同，不同的是在估计ARIMA（p,d,q）模型时需确定原序列的差分阶数d，并对xt进行d阶差分。因而在构建模型前需通过单位根检验来确认时间序列是否平稳，以及含有的单位根的个数。EViews统计分析基础教程五、协整和误差修正模型1、协整非平稳的时间序列的线性组合可能是平稳序列，我们把这种组合后平稳的序列称为协整方程，并且这些非平稳的经济变量间具有长期稳定的均衡关系。协整可以用来描述两个及两个以上的序列之间的平稳关系。假如非平稳（有单位根）时间序列的线性组合是平稳的，即I(0)，则这些变量间有协整关系。EViews统计分析基础教程五、协整和误差修正模型1、协整EG两步检验法：第一步：检验非平稳的序列是否是同阶单整，如果是同阶单整再建立回归方程，为yt=β0+β1x1t+β2x2t+…+βkxkt+μt估计后得到的残差为t=yt－0－1x1t－2x2t－…－kxkt第二步：检验残差序列t的平稳性。若残差序列不平稳，即存在单位根，t～I(1)，则回归方程的k+1个变量间协整关系不存在。如果残差序列平稳，即不存在单位根，t～I(0)，则k+1个变量间协整关系存在。ˆˆˆˆˆˆˆEViews统计分析基础教程五、协整和误差修正模型1、协整EG两步检验法（EViews操作）：第一步：对变量inc与cj进行单位根检验。打开序列对象，在工具栏中选择“View”|“UnitRootTest”选项。“Testtype”中选择ADF（AugmentedDickeyFuller）检验法；“Testforunitrootin”中选择“Level”原序列形式；“Includeintestequation”选择“Trendandintercept”（趋势项和截距项）。然后单击“OK”按钮ˆˆEViews统计分析基础教程五、协整和误差修正模型1、协整EG两步检验法（EViews操作）：第二步：用最小二乘法对回归模型进行估计。选择EViews主菜单栏中的“Quick”|“EstimateEquation”选项，在弹出的对话框中输入变量名，然后单击“OK”按钮。系统默认下使用最小二乘法（OLS）进行估计。此时，回归模型估计后的残差保存在默认序列对象resid中。ˆˆEViews统计分析基础教程五、协整和误差修正模型1、协整EG两步检验法（EViews操作）：第三步：第三步，检验残差序列的平稳性。建立新序列对象e，将残差序列resid中的数据复制到序列e中。对序列e进行单位根检验。如果残差序列是平稳的，即不存在单位根。则变量之间协整关系存在。EViews统计分析基础教程五、协整和误差修正模型2、误差修正模型（ECM）误差修正模型是根据一阶自回归分布滞后模型生成的，如一阶分布滞后模型为yt=β0+β1yt-1+β2xt+β3xt-1+μt在上式的两端同时减去yt-1，再在等式的右侧加减β2xt-1，整理可得，△yt=β0+（β1－1）yt-1+β2△xt+（β2+β3）xt-1+μt△yt=（β1－1）{+xt-1+yt-1}+β2△xt+μt该式即为误差修正模型。误差修正模型中描述了被解释变量的短期波动△yt情况。1101132EViews统计分析基础教程五、协整和误差修正模型2、误差修正模型（ECM）EViews操作第一步：检验变量间是否存在协整关系，如存在可建立ECM模型。第二步：选择主菜单工具栏中的“Quick”|“EstimateEquation”选项，在弹出的文本框中输入误差修正模型的变量，用最小二乘法（OLS）进行估计，单击“确定”按钮即可得到误差修正模型的估计结果。EViews统计分析基础教程本章小结：•了解随机过程的基本概念•了解随机游走和白噪声过程的不同•掌握ARMA模型的建立方法•掌握协整理论和检验方法•掌握误差修正模型的理论和建立方法