计量经济学第九章 时间序列结构模型课件
第九章结构型时间序列模型
时间序列回归模型分类：
1.不含外生变量的非结构型模型，包括单方程模型（如ARMA模型）和多方程模型（如向量自回归模型，V AR）
2.传统的结构模型，包括含有外生变量的单方程回归模型（如确定性趋势或季节模型、静态模型、分布滞后模型、自回归分布滞后模型等）和联立方程模型
3.协整和误差修正模型等现代时间序列模型
第二、三类模型反统称为结构型时间序列模型。本章将对最基本的几种结构型时间序列模型进行简要介绍。
第一节确定性趋势与季节模型
确定性趋势与季节模型将经济变量看作是时间的某种函数，用于描述时间序列观测值的长期趋势特征和周期性变动特征。其中的自变量是确定性的时间变量t或反映季节的虚拟变量。
由于自变量是非随机变量，自然是严格外生的，所以不涉及诸如非平稳性、高度持久等问题，一般可以如同横截面数据一样，直接使用经典线性模型的回归分析方法。
一、确定性趋势模型
（一）种类
按照因变量y与时间t的关系不同，常用的确定性趋势模型主要有以下三类：
1.线性趋势模型
01t t y t u ββ=++ （9.1）
当时间序列的逐期增长量（即一阶一次差分1t t t y y y -?=-）大体相同时，可以考虑拟合直线趋势方程。
2. 曲线趋势模型
2012k t k t y t t t u ββββ=+++???++ （9.2）
若逐期增长量的逐期增长量（二阶一次差分21t t t y y y -?=?-?）大致相同，可拟合二次曲线2012t t y t t u βββ=+++。
类似地，如果事物发展趋势有两个拐点，可以拟合三次曲线
230123t t y t t t u ββββ=++++。其他更高次的曲线趋势比较少用。
3. 指数曲线模型
01t u t t y e ββ= （9.3）
或
01ln()ln (ln )t t y t u ββ=++
指数曲线的特点是各期的环比增长速度大体相同（即自然对数的一阶一次差分11/ln ln t t t t y y y y --?≈-基本为常数），时间序列的逐期观测值大致按一定的百分比递增或衰减。
为了更好地表现事物发展的特征，我们还可以给指数曲线设置发展的上限或下限（渐进线）。常用的带渐进线的指数曲线有以下几种： （1）修正指数曲线模型
01000t u t t y k e k βββ=+，＞，≠ ，101<<β (9.4)
（2）龚伯兹（Gompertz ）曲线模型
10010001t t
u t y k e k ββββ=，＞，＜≠1，＜≠ (9.5)
（3）逻辑斯蒂（Logistic ）曲线模型
010110001t
t u t y k k e ββββ=
+，＞，≠，＜≠ (9.6)
（二）模型选择标准
如果对同一时间序列有几种趋势线可供选择，在考虑经济意义的基础上，线性模型可以参照第三章第四节有关多元回归模型的评价准则进行优选。除此之外，还可以用下列指标作为辅助标准，选择这些指标比较小的模型。
1. 均方根误差（Root Mean Squared Error ，RMSE ）：
RMSE =
2. 平均绝对误差（Mean Absolute Error ，MAE ）：
1
?t t MAE y y T
=
-∑ 3.平均绝对百分比误差（Mean Absolute Percent Error ，MAPE ）：
?1
100%t t t
y y MAPE T y -=
?∑ （三）模型估计
上述确定性趋势模型要么本身是参数线性的，要么通过变换模型形式可以使其线性化，所以均属于广义的线性模型范畴。而且自变量（时间变量t 及其函数）都是非随机变量（肯定符合严格外生条件），所以，可以直接使
用OLS进行估计，所有估计与推断方法完全等同于横截面数据。
唯一与横截面回归不同的是，时间序列往往存在误差项自相关（将在第十章讨论）。
[例9-1] 改革开放以来我国GDP数据如表9-1所示。试估计我国实际GDP的年平均增长率。
表9-1 部分年份中国GDP数据(1978年不变价，亿元）
资料来源：《中国统计年鉴·2010》
首先，描出GDP及其对数的时间序列图：
可见，GDP与时间t之间不存在线性关系，而其对数与时间存在线性关系。即GDP呈指数趋势发展：
01t u t t GDP e ββ=
线性化的趋势模型形式为
01ln ln ln t t GDP t u ββ=+
+（），即 01ln t t GDP t u αα=++ 利用OLS 估计，并消除误差项自相关（自相关问题见第十章），输出结果如下：
表9-2 EViews 输出结果
Dependent Variable: LNGDP
Variable Coefficient Std. Error t-Statistic Prob.
C 8.070429 0.014908 541.3508 0.0000
T 0.094207 0.000778 121.0628 0.0000
AR(1) 1.281566 0.131144 9.772179 0.0000
AR(2) -0.73314 0.128869 -5.689080 0.0000 R-squared 0.999647 Mean dependent var 9.718339 Adjusted R-squared 0.999606 S.D. dependent var 0.833467
S.E. of regression 0.016540 Akaike info criterion -5.24254
6
Sum squared resid 0.007113 Schwarz criterion -5.05572
Log likelihood 82.63820 F-statistic 24538.49 Durbin-Watson stat 2.013367 Prob(F-statistic) 0.000000
Inverted AR Roots .64-.57i .64+.57i
可见，消除误差项自相关后，回归方程为
·ln8.0700.094
=+
GDP t
回归结果说明，样本内我国实际GDP年均增长率为0.094，即9.4%。
〔用水平法计算的GDP10.0989.8%
==〕
二、季节变动模型
与横截面数据相比，时间序列往往受到季节变动的影响。所谓季节变动是指经济变量因受自然因素或社会经济因素影响，从而形成的有规律的周期性变动。
这里的“季节”一词是广义的，泛指任何一种有规律的、按一定周期（如季、月、旬、周、日）重复出现的变化。
如果忽视其季节因素，回归中就会犯遗漏变量的错误，影响参数估计的无偏性和一致性。根据回归分析的目的不同，对含有季节变动的数据有不同的处理方法：
1.季节差分。如季度数据和月度数据分别采用4阶和12阶差分。
2. 季节修匀。即通过移动平均、指数平滑等方法，去除时间序列中的周期性变化。
3.引入季节虚拟变量。
[例9-2] 某企业最近6年的商品销售额的季度数据表9-3。试用虚拟变量方法建立季节波动模型。
表9-3 某企业商品销售额的季度数据
4
2913.385 20 0 0 1
2011 1 3163.665 21 0 0 0
2 3486.161 22 1 0 0
3 3205.529 23 0 1 0
4 3348.307 24 0 0 1
数据的变化轨迹见图9-3。
图9-3 销售额变化轨迹图
可见，商品销售额既有明显的线性增长趋势，又含有明显的季节波动。故应构造含有季节虚拟变量的线性趋势模型。为避免 “虚拟变量陷阱”，只对第二、三、四季度设置虚拟变量，记为234D D D 、和。EViews 回归结果如下：
表9-4 EViews 输出结果
Dependent Variable: Y
Method: Least Squares Sample: 2006Q1 2011Q4 Included observations: 24
Coefficie Std. Error t-Statistic Prob. C 975.9741 34.36549 28.39983 0.0000 T 103.2167 1.959216 52.68263
0.0000
D2 127.3019 37.90632 3.358330 0.0033 D3 -70.8203 38.05791 -1.860857 0.0783 D4 -156.967 38.30923 -4.097376
0.0006 R-squared
0.993293 Mean dependent var 2241.061 Adjusted R-squared 0.991881 S.D. dependent var 727.6855 S.E. of regression 65.56791 Akaike info criterion 11.38710 Sum squared resid 81683.87 Schwarz criterion 11.63253 Log likelihood -131.6452 Hannan-Quinn
criter. 11.45221 F-statistic 703.4771 Durbin-Watson stat 1.893665
Prob(F-statistic) 0.000000
故样本回归方程如下：
234?975.974103.217127.30270.820156.967t t t t y t D D D =++-- （9.7）
在使用确定性趋势和季节模型时，我们实际上是用时间变量和季节虚拟
变量作为因变量的所有影响因素的代理变量，简化了回归分析的假定，在经济预测方面应用比较广泛。但有时失之于过于简单化，不能对影响时间序列变动的具体社会经济因素进行分析，不利于验证经济理论、分析经济结构和政策评价。另外，这类模型的一个潜在问题是往往存在误差项自相关，这也是需要在应用时加以注意的。
第二节 静态模型
静态模型（Static Model ）是时间序列回归分析的基础模型之一。实际上，上一节介绍的确定性趋势模型和季节模型都属于静态模型。在静态模型中，被解释变量的值只取决于各解释变量和随机误差项的当期值。静态模型一般形式如下：
01122...t t t k kt t y x x x u ββββ=+++++ （9.8）
这实际上是将多元线性回归模型应用于时间序列数据。
一、静态模型对数据的要求
1.如果模型中的自变量(1,2,...,)j x j k =是非随机变量，或尽管是随机变量，但严格外生于随机误差项t u ，即
12(|)=(|,,...)=0t t k E u E u X X X X ，其中(2)(1)(1)(2)(,,,,,,)j j t j t jt j t j t x x x x x ++--=??????X
则静态模型（9.8）可以完全按照横截面数据的经典线性回归模型方法进行参数估计和统计推断，如本章第一节介绍的确定性趋势（季节）回归模型。 2. 如果模型中的自变量(1,2,...,)j x j k =是随机变量，但不严格外生于随机误差项，而是（宽）外生于随机误差项，即仅有12(|)=(|,,...)=0t t t t t kt E u E u x x x X ，这时时间序列的特殊性将给回归分析带来一些问题。但如果,jt t x y 都是产生
计量经济学——时间序列
课程论文 题目：第三产业产值的影响因素分析 学院财会学院＿ 专业会计专硕 班级会计专硕1501 课程名称计量经济学（课程设计） 学号 学生姓名 60 指导教师赵卫亚 成绩 二○一五年十二月
第三产业产值的影响因素分析 摘要：本文利用计量经济分析方法和1990—2010年的时间序列统计资料，建立了我国第三产业产值影响因素模型。建模过程中，处理了模型中的协整检验、自相关性等问题。本文认为我国第三产业产值主要受GDP和我国城乡居民存款储蓄的影响，因此需要引起足够的重视，正确开展工作，促进第三产业的发展。 关键词：第三产业产值；时间序列分析；GDP；城乡居民存款储蓄 一、引言 第三产业是指除第一二产业以外的其他行业。自从我国进入改革开放以来，我国不仅在积极发展第一产业和第二产业的同时，也在积极扶植第三产业的发展。我国属于发展中国家，仅靠出口农产品或初级工业品很难在国际社会中立有一足之地。进入21世纪，第三产业的发展迫切需要成为促进经济发展的主要动力。这主要是因为第三产业基本以服务业为主，这就使其具有了行业多，范围广等特点，从而能够提供更多的就业机会，相对于其他产业服务业的就业门滥相对来说也较低，能吸纳农村等剩余劳动力，并且第三产业的发展，也能有效地促进第一产业和第二产业的发展，加速推进我国的工业化和现代化进程，提高我国的综合国力。我国的第三产业较其他发达国家仍有很大的差距，所以加快本国第三产业发展迫在眉睫。 第三产业不仅在占国民生产总值比重方面不断提高，其内部的产业结构也在不断地发生着变化。最初我国第三产业的发展主要集中以餐饮等为主的传统服务业上，而随着新型服务业的产生，我国开始侧重向金融保险业、房地产业等方面的发展，其数量和质量的提高使得第三产业在我国经济发展的过程中产生的作用也越来越显著。 因此，研究第三产业产值的影响因素分析具有实际意义。 二、文献综述 江小涓、李辉（2004）建立了一个多元回归模型来分析收入水平、消费结构、城市化以及其他因素对第三产业未来发展的影响，提出第三产业比例随着人均GDP水平增长而增加[1]。郭彩霞（2009）对1978到2008年相关数据进行实证分析，得到要想加快农村现代化就必须要促进第三产业的发展结论[2]。王小宁（2009）认为第三产业固定资产的投资对第三产业产值具有重大的影响[3]。徐群、于德淼、赵春阁在对第三产业发展研究时主要是利用线性回归模型来对我国第三产业的影响因素进行分析，对我国第三产业发展现状的研究和趋势预测就是利用的主成分分析和逐步回归分析方法[4]。
多元时间序列建模分析
应用时间序列分析实验报告
单位根检验输出结果如下：序列x的单位根检验结果：
1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;
时间序列分析资料报告——ARMA模型实验
基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验
第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：
图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*
第九章时间序列计量经济学模型案例
第九章时间序列计量经济学模型案例 1、1949—2001年中国人口时间序列数据见表8，由该数据（1）画时间序列图和差分图；（2）求中国人口序列的相关图和偏相关图，识别模型形式；（3）估计时间序列模型；（4）样本外预测。 表9.1 中国人口时间序列数据（单位：亿人） 年份人口y t 年份人口y t年份人口y t年份人口y t年份人口y t 1949 5.4167 1960 6.6207 1971 8.5229 1982 10.159 1993 11.8517 1950 5.5196 1961 6.5859 1972 8.7177 1983 10.2764 1994 11.985 1951 5.63 1962 6.7295 1973 8.9211 1984 10.3876 1995 12.1121 1952 5.7482 1963 6.9172 1974 9.0859 1985 10.5851 1996 12.2389 1953 5.8796 1964 7.0499 1975 9.242 1986 10.7507 1997 12.3626 1954 6.0266 1965 7.2538 1976 9.3717 1987 10.93 1998 12.4761 1955 6.1465 1966 7.4542 1977 9.4974 1988 11.1026 1999 12.5786 1956 6.2828 1967 7.6368 1978 9.6259 1989 11.2704 2000 12.6743 1957 6.4653 1968 7.8534 1979 9.7542 1990 11.4333 2001 12.7627 1958 6.5994 1969 8.0671 1980 9.8705 1991 11.5823 1959 6.7207 1970 8.2992 1981 10.0072 1992 11.7171 （1）画时间序列图 y的数据窗口 打开 t 得到中国人口序列图
时间序列分析及VAR模型
Lecture 6 6. Time series analysis: Multivariate models 6.1Learning outcomes ?Vector autoregression (VAR) ?Cointegration ?Vector error correction model (VECM) ?Application: pairs trading 6.2Vector autoregression (VAR)向量自回归 The classical linear regression model assumes strict exogeneity; hence, there is no serial correlation between error terms and any realisation of any independent variable (lead or lag). As we discovered, serial correlation (or autocorrelation) is very common in financial time series and panel data. Furthermore, we assumed a pre-defined relation of causality: explanatory variable affect the dependent variable? 传统的线性回归模型假设严格的外主性，误差项与可实现的独立变量之间没有序列相关性。金融时间序列及面板数据往往都有很强的自相关性，假定解释变量影响因变量。 We now relax bo什］assumptions using a VAR model. VAR models can be regarded as a generalisation of AR(p) processes by adding additional time series. Hence, we enter the field of multivariate time series analysis. VAR模型可以'"l作是在一般的自回归过程中加入时间序列。 Lefs look at a standard AR(p) process for hvo variables (y( and xj? (1)%= Ql + 琅］仇『一 +仏 (2)x t = a2 + - + ￡2t The next step is to allow that lagged values of xt can affect y( and vice versa. This means that we obtain a system of equations for two dependent variables(y(and xj?Both dependent variables are influenced by past realisations of y(and x t. By doing that, we violate strict exogeneity (see Lecture 2); however, we can use a more relaxed concept, namely weak exogeneity?As we use lagged values of bodi dependent variables, we can argue that these lagged values are known to us, as we observed them in the previous period? We call these variables predetermined? Predetermined (lagged) variables fulfil weak exogeneity in the sense that they have to be uncorrelated with the contemporaneoiis error term in t? We can still use OLS to estimate the following system of equations, which is called a VAR in reduced form. (3)+y 仇1化_丫+sr=i ^12 +￡it (4)X t = a2+2X1021”—, + _i + f2t
时间序列模型分析的各种stata命令.doc
时间序列模型 结构模型虽然有助于人们理解变量之间的影响关系，但模型的预测精度比较低。在一些大规模的联立方程中，情况更是如此。而早期的单变量时间序列模型有较少的参数却可以得到非常精确的预测，因此随着Box and Jenkins(1984)等奠基性的研究，时间序列方法得到迅速发展。从单变量时间序列到多元时间序列模型，从平稳过程到非平稳过程，时间序列分析方法被广泛应用于经济、气象和过程控制等领域。本章将介绍如下时间序列分析方法，ARIMA模型、ARCH族模型、VAR模型、VEC模型、单位根检验及协整检验等。 一、基本命令 1.1时间序列数据的处理 1)声明时间序列：tsset 命令 use gnp96.dta, clear list in 1/20 gen Lgnp = L.gnp tsset date list in 1/20 gen Lgnp = L.gnp 2)检查是否有断点：tsreport, report use gnp96.dta, clear tsset date tsreport, report drop in 10/10 list in 1/12 tsreport, report tsreport, report list /*列出存在断点的样本信息*/ 3)填充缺漏值：tsfill tsfill tsreport, report list list in 1/12 4)追加样本：tsappend use gnp96.dta, clear tsset date list in -10/-1 sum tsappend , add(5) /*追加5个观察值*/ list in -10/-1 sum
时间序列分析法原理及步骤
时间序列分析法原理及步骤 ----目标变量随决策变量随时间序列变化系统 一、认识时间序列变动特征 认识时间序列所具有的变动特征, 以便在系统预测时选择采用不同的方法 1》随机性:均匀分布、无规则分布,可能符合某统计分布(用因变量的散点图和直方图及其包含的正态分布检验随机性, 大多服从正态分布 2》平稳性:样本序列的自相关函数在某一固定水平线附近摆动, 即方差和数学期望稳定为常数 识别序列特征可利用函数 ACF :其中是的 k 阶自 协方差,且 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0, 前者测度当前序列与先前序列之间简单和常规的相关程度, 后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。实际上, 预测模型大都难以满足这些条件, 现实的经济、金融、商业等序列都是非稳定的,但通过数据处理可以变换为平稳的。 二、选择模型形式和参数检验 1》自回归 AR(p模型
模型意义仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量互相独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性的比你更造成的困难用 PACF 函数判别 (从 p 阶开始的所有偏自相关系数均为 0 2》移动平均 MA(q模型 识别条件
平稳时间序列的偏相关系数和自相关系数均不截尾,但较快收敛到 0, 则该时间序列可能是 ARMA(p,q模型。实际问题中,多数要用此模型。因此建模解模的主要工作时求解 p,q 和φ、θ的值,检验和的值。 模型阶数 实际应用中 p,q 一般不超过 2. 3》自回归综合移动平均 ARIMA(p,d,q模型 模型含义 模型形式类似 ARMA(p,q模型, 但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用 ARMA(p,q模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中 d (差分次数一般不超过 2. 模型识别 平稳时间序列的偏相关系数和自相关系数均不截尾,且缓慢衰减收敛,则该时间序列可能是 ARIMA(p,d,q模型。若时间序列存在周期性波动, 则可按时间周期进
Eviews时间序列分析实例.
Eviews时间序列分析实例 时间序列是市场预测中经常涉及的一类数据形式，本书第七章对它进行了比较详细的介绍。通过第七章的学习，读者了解了什么是时间序列，并接触到有关时间序列分析方法的原理和一些分析实例。本节的主要内容是说明如何使用Eviews软件进行分析。 一、指数平滑法实例 所谓指数平滑实际就是对历史数据的加权平均。它可以用于任何一种没有明显函数规律，但确实存在某种前后关联的时间序列的短期预测。由于其他很多分析方法都不具有这种特点，指数平滑法在时间序列预测中仍然占据着相当重要的位置。 （－）一次指数平滑 一次指数平滑又称单指数平滑。它最突出的优点是方法非常简单，甚至只要样本末期的平滑值，就可以得到预测结果。 一次指数平滑的特点是：能够跟踪数据变化。这一特点所有指数都具有。预测过程中添加最新的样本数据后，新数据应取代老数据的地位，老数据会逐渐居于次要的地位，直至被淘汰。这样，预测值总是反映最新的数据结构。 一次指数平滑有局限性。第一，预测值不能反映趋势变动、季节波动等有规律的变动；第二，这种方法多适用于短期预测，而不适合作中长期的预测；第三，由于预测值是历史数据的均值，因此与实际序列的变化相比有滞后现象。 指数平滑预测是否理想，很大程度上取决于平滑系数。Eviews提供两种确定指数平滑系数的方法：自动给定和人工确定。选择自动给定，系统将按照预测误差平方和最小原则自动确定系数。如果系数接近1，说明该序列近似纯随机序列，这时最新的观测值就是最理想的预测值。 出于预测的考虑，有时系统给定的系数不是很理想，用户需要自己指定平滑系数值。平滑系数取什么值比较合适呢？一般来说，如果序列变化比较平缓，平滑系数值应该比较小，比如小于0.l；如果序列变化比较剧烈，平滑系数值可以取得大一些，如0.3～0.5。若平滑系数值大于0.5才能跟上序列的变化，表明序列有很强的趋势，不能采用一次指数平滑进行预测。 ［例1］某企业食盐销售量预测。现在拥有最近连续30个月份的历史资料（见表l），试预测下一月份销售量。 表1 某企业食盐销售量单位：吨 解：使用Eviews对数据进行分析，第一步是建立工作文件和录入数据。有关操作在本
现代时间序列分析模型
现代时间序列分析模型§1 时间序列平稳性和单位根检验§2 协整与误差修正模型经典时间序列分析模型： MA、AR、ARMA 平稳时间序列模型分析时间序列自身的变化规律现代时间序列分析模型：分析时间序列之间的关系单位根检验、协整检验现代宏观计量经济学§1 时间序列平稳性和单位根检验一、时间序列的平稳性二、单整序列三、单位根检验一、时间序列的平稳性 Stationary Time Series ⒈问题的提出经典计量经济模型常用到的数据有：时间序列数据（time-series data ；截面数据cross-sectional data 平行/面板数据（panel data/time-series cross-section data 时间序列数据是最常见，也是最常用到的数据。经典回归分析暗含着一个重要假设：数据是平稳的。数据非平稳，大样本下的统计推断基础――“一致性”要求――被破怀。数据非平稳，往往导致出现“虚假回归”（Spurious Regression）问题。表现为两个本来没有任何因果关系的变量，却有很高的相关性。例如：如果有两列时间序列数据表现出一致的变化趋势（非平稳的），即使它们没有任何有意义的关系，但进行回归也可表现出较高的可决系数。 2、平稳性的定义假定某个时间序列是由某一随机过程（stochastic process）生成的，即假定时间序列 Xt （t 1, 2, …）的每一个数值都是从一个概率分布中随机得到，如果满足下列条件：均值E Xt ?是与时间t 无关的常数；方差Var Xt ?2是与时间t 无关的常数；协方差Cov Xt,Xt+k ?k 是只与时期间隔k有关，与时间t 无关的常数；则称该随机时间序列是平稳的（stationary ，
第八章 时间序列计量经济学模型(DOC)
1.1949—2001年中国人口时间序列数据见表8，由该数据（1）画时间序列图；（2）求中国人口序列的相关图和偏相关图，识别模型形式；（3）估计时间序列模型；（4）样本外预测。 表8 中国人口时间序列数据（单位：亿人） 年份人口y t年份人口y t年份人口y t年份人口y t年份人口y t 1949 5.4167 1960 6.6207 1971 8.5229 1982 10.159 1993 11.8517 1950 5.5196 1961 6.5859 1972 8.7177 1983 10.2764 1994 11.985 1951 5.63 1962 6.7295 1973 8.9211 1984 10.3876 1995 12.1121 1952 5.7482 1963 6.9172 1974 9.0859 1985 10.5851 1996 12.2389 1953 5.8796 1964 7.0499 1975 9.242 1986 10.7507 1997 12.3626 1954 6.0266 1965 7.2538 1976 9.3717 1987 10.93 1998 12.4761 1955 6.1465 1966 7.4542 1977 9.4974 1988 11.1026 1999 12.5786 1956 6.2828 1967 7.6368 1978 9.6259 1989 11.2704 2000 12.6743 1957 6.4653 1968 7.8534 1979 9.7542 1990 11.4333 2001 12.7627 1958 6.5994 1969 8.0671 1980 9.8705 1991 11.5823 1959 6.7207 1970 8.2992 1981 10.0072 1992 11.7171 （1）画时间序列图 打开 y的数据窗口 t
计量经济学时间序列计量经济模型
计量经济学引子：是真回归还是伪回归？问题：●如果直接将非平稳时间序列当作平稳时间序列来进行分析，会造成什么不良后果； ●如何判断一个时间序列是否为平稳序列；●当我们在计量经济分析中涉及到非平稳时间序列时，应作如何处理？第一节时间序列基本概念本节基本内容: ●伪回归问题●随机过程的概念●时间序列的平稳性一、伪回归问题传统计量经济学模型的假定条件：序列的平稳性、正态性。所谓“伪回归”，是指变量间本来不存在相依关系，但回归结果却得出存在相依关系的错误结论。 20世纪70年代，Grange、Newbold 研究发现，造成“伪回归”的根本原因在于时序序列变量的非平稳性三、时间序列的平稳性所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。直观上，一个平稳的时间序列可以看作一条围绕其均值上下波动的曲线。从理论上，有两种意义的平稳性，一是严格平稳，另一种是弱平稳。时间序列的非平稳性是指时间序列的统计规律随着时间的位移而发生变化，即生成变量时间序列数据的随机过程的特征随时间而变化。在实际中遇到的时间序列数据很可能是非平稳序列，而平稳性在计量经济建模中又具有重要地位，因此有必要对观测值的时间序列数据进行平稳性检验。第二节 时间序列平稳性的单位根检验本节基本内容: ●单位根检验● Dickey－Fuller检验● Augmented Dickey－Fuller检验一、单位根过程单位根过程结论: 随机游动过程是非平稳的。
因此，检验序列的非平稳性就变为检验特征方程是否有单位根，这就是单位根检验方法的由来。二、Dickey-Fuller检验（DF检验）大多数经济变量呈现出强烈的趋势特征。这些具有趋势特征的经济变量，当发生经济振荡或冲击后，一般会出现两种情形: ●受到振荡或冲击后，经济变量逐渐又回它们的长期趋势轨迹；●这些经济变量没有回到原有轨迹，而呈现出随机游走的状态。若我们研究的经济变量遵从一个非平稳过程，一个变量对其他变量的回归可能会导致伪回归结果。这是研究单位根检验的重要意义所在。 2 提出假设检验用统计量为常规t统计量， 3 计算在原假设成立的条件下t统计量值，查DF检验临界值表得临界值，然后将t统计量值与DF检验临界值比较：若t统计量值小于DF检验临界值，则拒绝原假设，说明序列不存在单位根；若t统计量值大于或等于DF检验临界值，则接受原假设，说明序列存在单位根。Dickey、Fuller研究发现，DF检验的临界值同序列的数据生成过程以及回归模型的类型有关，因此他们针对如下三种方程编制了临界值表，后来Mackinnon把临界值表加以扩充，形成了目前使用广泛的临界值表，在EViews软件中使用的是Mackinnon临界值表。 DF检验存在的问题是，在检验所设定的模型时，假设随机扰动项不存在自相关。但大多数的经济数据序列是不能满足此项假设的，当随机扰动项存在自相关时，直接使用DF检验法会出现偏误，为了保证单位根检验的有效性，人们对DF检验进行拓展，从而形成了扩展的DF检验Augmented Dickey-Fuller Test ，简称为ADF检验。根据《中国
数学建模时间序列分析
基于Excel的时间序列预测与分析 1 时序分析方法简介 1.1时间序列相关概念 1.1.1 时间序列的内涵以及组成因素 所谓时间序列就是将某一指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。如经济领域中每年的产值、国民收入、商品在市场上的销量、股票数据的变化情况等，社会领域中某一地区的人口数、医院患者人数、铁路客流量等，自然领域的太阳黑子数、月降水量、河流流量等等，都形成了一个时间序列。人们希望通过对这些时间序列的分析，从中发现和揭示现象的发展变化规律，或从动态的角度描述某一现象和其他现象之间的内在数量关系及其变化规律，从而尽可能多的从中提取出所需要的准确信息，并将这些知识和信息用于预测，以掌握和控制未来行为。 时间序列的变化受许多因素的影响 ,有些起着长期的、决定性的作用 ,使其呈现出某种趋势和一定的规律性；有些则起着短期的、非决定性的作用，使其呈现出某种不规则性。在分析时间序列的变动规律时，事实上不可能对每个影响因素都一一划分开来，分别去作精确分析。但我们能将众多影响因素，按照对现象变化影响的类型，划分成若干时间序列的构成因素，然后对这几类构成要素分别进行分析，以揭示时间序列的变动规律性。影响时间序列的构成因素可归纳为以下四种: (1)趋势性(Trend),指现象随时间推移朝着一定方向呈现出持续渐进地上升、下降或平稳的变化或移动。这一变化通常是许多长期因素的结果。 (2)周期性(Cyclic)，指时间序列表现为循环于趋势线上方和下方的点序列并持续一年以上的有规则变动。这种因素是因经济多年的周期性变动产生的。比如，高速通货膨胀时期后面紧接的温和通货膨胀时期将会使许多时间序列表现为交替地出现于一条总体递增 地趋势线上下方。 (3)季节性变化(Seasonal variation)，指现象受季节性影响 ,按一固定周期呈现出的周期波动变化。尽管我们通常将一个时间序列中的季节变化认为是以1年为期的，但是季节因素还可以被用于表示时间长度小于1年的有规则重复形态。比如，每日交通量数据表现出为期1天的“季节性”变化，即高峰期到达高峰水平，而一天的其他时期车流量较小，从午夜到次日清晨最小。
时间序列的结构变化和单位根检验
时间序列的结构变化和单位根检验 伴随着经济结构的变化、社会发展的变革,大多经济变量的运行 路径表现出结构变动特征。如宏观时间序列由于外部冲击或者体制变化引起的趋势变动;股市或其他资产价格市场由于政策因素或者过度 投机行为导致的大起大落。当考虑到此类结构变化因素时,传统单位 根检验,如ADF、PP检验,往往会带来关于数据平稳性特征错误的结论。因此,近来的单位根文献研究大都在结构变化的框架下进行。这一方 面可以更有效地对时序过程的单位根特征进行检验,另一方面也可以 更好地洞察研究对象背后的变化特征,以更清楚地认识其运行机制。 对于时序过程Yt = a +u 而言,结构变化可能体现在确定性趋势项a + bc上,也可能体现在随机趋势项ut上,以Perron为代表的结构突变 单位根文献主要关注的是确定性趋势的结构变化,相关文献也已形成 了一个较为系统的体系。随机趋势结构变动的文献则多见于资产市场上的价格行为分析,如最近较为流行的SADF和BSADF检验,结合单位 根向爆炸根的结构变化模拟并检测资产市场的“价格泡沫”,在现实 研究中得到了广泛的应用。除此以外,经济问题应用中还有一类重要的、从平稳转移角度刻画时序结构变化的非线性STAR模型,部分学者(如Kapetanios et al.,2003)对其框架下的单位根检验问题也给予 了关注。在如上背景下,本博士论文从确定性趋势变化、随机趋势变化、非线性STAR模型三个角度对结构变化框架下的单位根检验进行 系统性整理,并对相关问题进行了进一步的深化研究。主要工作可以 概括为如下几部分:1,在确定性趋势结构突变的单位根问题研究中,
现有理论从各种角度提出了不同的突变位置确定方法,本文细化地对各估计方法进行了解析和梳理,并以有限样本的估测性质为出发点, 通过蒙特卡罗仿真实验考察比较了不同数据生成情形下各种突变点 估计方法的优劣,以期为实证工作者在结构突变问题研究时提供有益的帮助。突变次数的确定是确定性趋势突变框架下的另外一个研究热点,将没有突变的数据过程误判成含有结构突变,或者将结构突变数 据过程的具体突变次数误判都会在很大程度上带来最终单位根检验 的错误。传统CUSUM及MOSUM检验是检验参数结构变动的经典方法,不过两者均是建立在平稳误差项基础之上的。在单位根误差项情形下,我们对CUSUM及MOSUM检验的渐近性质进行了进一步的研究。随后,结合动态回归和差分回归,我们对CUSUM及MOSUM检验进行了修订, 以保证在单位根原假设或者平稳备择假设下其所对应的渐近分布特 征保持一致。以修订的MOSUM检验为例,我们进行了蒙特卡罗模拟实验,结果显示,在数据单整性未知条件下,我们的修订策略可以有效地对数据的结构突变次数进行估测,同时还可以以较窄的邻域确定数据的突变位置区间。2,随机性趋势结构变动框架下,我们从新息项的方差变动和自回归系数的结构变动两个角度对时序的单位根检验问题 进行了考察。前者主要涉及到时变方差下对数据过程单位根特征的研究,我们从传统统计量推断和自助法分析两个角度对该问题进行了梳理和说明;后者情形下近来较为关注的问题是随机项ut=ρut-πt中自回归系数由ρ = 1到ρ>1的转变,即单位根过程向爆炸过程的转变。由于爆炸过程可以很好地描述资产市场上的泡沫现象,这一结
时间序列建模案例VAR模型分析报告与协整检验
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但是，经济理论通常并不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构性方法来建立各个变量之间关系的模型。本章所要介绍的向量自回归模型(vector autoregression ，VAR)和向量误差修正模型(vector error correction model ，VEC)就是非结构化的多方程模型。 向量自回归(VAR)是基于数据的统计性质建立模型，VAR 模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型，从而将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。VAR 模型是处理多个相关经济指标的分析与预测最容易操作的模型之一，并且在一定的条件下，多元MA 和ARMA 模型也可转化成VAR 模型，因此近年来VAR 模型受到越来越多的经济工作者的重视。 VAR(p ) 模型的数学表达式是 t=1,2,…..,T 其中：yt 是 k 维内生变量列向量，xt 是d 维外生变量列向量，p 是滞后阶数，T 是样本个数。k ?k 维矩阵Φ1，…， Φp 和k ?d 维矩阵H 是待估计的系数矩阵。εt 是 k 维扰动列向量，它们相互之间可以同期相关，但不与自己的滞后值相关且不与等式右边的变量相关，假设 ∑ 是εt 的协方差矩阵，是一个(k ?k )的正定矩阵。 11t t p t p t t --=+???+++y Φy Φy Hx ε
注意，由于任何序列相关都可以通过增加更多的yt 的滞后而被消除，所以扰动项序列不相关的假设并不要求非常严格。 以1952一1991年对数的中国进、出口贸易总额序列为例介绍VAR 模型分析，其中包括;① VAR 模型估计;②VAR 模型滞后期的选择;③ VAR 模型平隐性检验;④VAR 模型预侧;⑤协整性检验 VAR 模型佑计 数据 εε εε
计量经济学：时间序列模型习题与解析(1)复习课程
第九章 时间序列计量经济学模型的理论与方法 练习题 1、 请描述平稳时间序列的条件。 2、 单整变量的单位根检验为什么从DF 检验发展到ADF 检验？ 3、设,10,sin cos ≤≤+=t t t x t θηθξ其中ηξ，是相互独立的正态分布N(0, 2 σ)随机变 量，θ是实数。试证：{10,≤≤t x t }为平稳过程。 4、 用图形及LB Q 法检验1978-2002年居民消费总额时间序列的平稳性，数据如下： 5、 利用4中数据，用ADF 法对居民消费总额时间序列进行平稳性检验。 6、 利用4中数据，对居民消费总额时间序列进行单整性分析。 7、 根据6中的结论，对居民消费总额的差分平稳时间序列进行模型识别。 8、 用Yule Walker 法和最小二乘法对7中的居民消费总额的差分平稳时间序列进行时间序 列模型估计，并比较估计结果。 9、 有如下AR(2)随机过程： t t t t X X X ε++=--2106.01.0 该过程是否是平稳过程？ 10、求MA(3)模型3213.05.08.01---+-++=t t t t t u u u u y 的自协方差和自相关函数。 11、设动态数据,92.0,82.0,74.0,9.0,7.0,8.0654321======x x x x x x ,78.07=x ,84.0,72.0,86.01098===x x x 求样本均值x ，样本方差0?γ，样本自协方差1?γ、2?γ和样 本自相关函数1?ρ 、2?ρ。 12、判断如下ARMA 过程是否是平稳过程： 12114.01.07.0----+-=t t t t t x x x εε
时间序列分析简介与模型
第二篇 预测方法与模型 预测是研究客观事物未来发展方向与趋势的一门科学。统计预测是以统计调查资料为依据，以经济、社会、科学技术理论为基础，以数学模型为主要手段，对客观事物未来发展所作的定量推断和估计。根据社会、经济、科技的预测结论，人们可以调整发展战略，制定管理措施，平衡市场供求，进行各种各样的决策。预测也是制定政策，编制规划、计划，具体组织生产经营活动的科学基础。20世纪三四十年代以来，随着人类社会生产力水平的不断提高和科学技术的迅猛发展，特别是近年来以计算机为主的信息技术的飞速发展，更进一步推动了预测技术在国民经济、社会发展和科学技术各个领域的应用。 预测包含定性预测法、因果关系预测法和时间序列预测法三类。本篇对定性预测法不加以介绍，对后两类方法选择以下几种介绍方法的原理、模型的建立和实际应用，分别为：时间序列分析、微分方程模型、灰色预测模型、人工神经网络。 第五章 时间序列分析 在预测实践中，预测者们发现和总结了许多行之有效的预测理论和方法，但以概率统计理论为基础的预测方法目前仍然是最基本和最常用的方法。本章介绍其中的时间序列分析预测法。此方法是根据预测对象过去的统计数据找到其随时间变化的规律，建立时间序列模型，以推断未来数值的预测方法。时间序列分析在微观经济计量模型、宏观经济计量模型以及经济控制论中有广泛的应用。 第一节 时间序列简介 所谓时间序列是指将同一现象在不同时间的观测值，按时间先后顺序排列所形成的数列。时间序列一般用 ,,,,21n y y y 来表示，可以简记为}{t y 。它的时间单位可以是分钟、时、日、周、旬、月、季、年等。
一、时间序列预测法 时间序列预测法就是通过编制和分析时间序列，根据时间序列所反应出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年可能达到的水平。其容包括:收集与整理某种社会现象的历史资料；将这些资料进行检查鉴别，排成数列；分析时间序列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模型，以此模型去预测该社会现象将来的情况。 二、时间序列数据的特点 通常，时间序列经过合理的函数变换后都可以看作是由三个部分叠加而成，这三个部分是趋势项部分、周期项部分和随机项部分。 1. 趋势性 许多序列的一个最主要的特征就是存在趋势。这种趋势可能是向下的也可能是向上的，也许比较陡，也许比较平缓，或者是指数增长，或者近似线性。总之，时间序列的趋势性是依据时间序列进行预测的本质所在。 2. 季节性/周期性 当数据按照月或季观测时，通常的情况是这样的:时间序列会呈现出明显的季节性。对季节性也不存在一个非常精确的定义。通常，当某个季节的观测值具有与其它季节的观测值明显不同的特征时，就称之为季节性。 3. 异常观测值 异常观测值指那些严重偏离趋势围的特殊点。异常观测值的出现往往是由于某些不可抗 1958 年自然灾害和1966年左右“文化大革命”对我国经拒的外部条件的影响。如1960 济的影响，造成经济指标陡然下降现象；1992年，我国银行紧缩政策造成的房地产业泡沫破灭，而使得房地产业的经济数据发生突然变化的例子等等。 4. 条件异方差性 所谓条件异方差性，表现出来就是异常数据观测值成群地出现，故也称为“波动积聚性”。由于方差是风险的测度，因此波动存在的积聚性的预测对于评估投资决策是很有用的，对于期权和其它金融衍生产品的买卖决策也是有益的。 5. 非线性 对非线性的最好定义就是“线性以外的一切”。非线性常常表现为“机制转换”(regime witches)或者“状态依赖”(State pendence)。其中状态依赖意味着时间序列的特征依赖于其现时的状态;不同的时刻，其特征不一样。当时间序列的特征在所有的离散状态都不一样时，就成为机制转换特性。 三、时间序列的分类 1. 按研究的对象的多少可分为单变量时间序列和多变量时间序列。 如果所研究的对象是一个变量，如某个国家的国生产总值，即为单变量时间序列。果所研究的对象是多个变量，如按年、月顺序排列的气温、气压、雨量数据，为多变量时间序列。多变量时间序列不仅描述了各个变量的变化规律，而且还表示了各变量间相互依存关系的动态规律性。 2. 按时间的连续性可将时间序列分为离散时间序列和连续时间序列。 如果某一序列中的每一个序列值所对应的时间参数为间断点，则该序列就是一个离散时间序列。如果某一序列中的每个序列值所对应的时间参数为连续函数，则该序列就是一个连续时间序列。 3. 按序列的统计特性可分为平稳时间序列和非平稳时间序列两类。
时间序列分析案例
《时间序列分析》案例案例名 称：时间序列分析在经济预测中的应用内容要 求：确定性与随机性时间序列之比较设计作 者：许启发，王艳明 设计时 间：2003年8月
案例四：时间序列分析在经济预测中的应用 一、案例简介 为了配合《统计学》课程时间序列分析部分的课堂教学，提高学生运用统计分析方法解决实际问题的能力，我们组织了一次案例教学，其内容是：对烟台市的未来经济发展状况作一预测分析，数据取烟台市1949—1998年国内生产总值（GDP）的年度数据，并以此为依据建立预测模型，对1999年和2000年的国内生产总值作出预测并检验其预测效果。国内生产总值是指一个国家或地区所有常住单位在一定时期内生产活动的最终成果，是反映国民经济活动最重要的经济指标之一，科学地预测该指标，对制定经济发展目标以及与之相配套的方针政策具有重要的理论与实际意义。在组织实施时，我们首先将数据资料印发给学生，并讲清本案例的教学目的与要求，明确案例所涉及的教学内容；然后给学生一段时间，由学生根据资料，运用不同的方法进行预测分析，并确定具体的讨论日期；在课堂讨论时让学生自由发言，阐述自己的观点；最后，由主持教师作点评发言，取得了良好的教学效果。 经济预测是研究客观经济过程未来一定时期的发展变化趋势，其目的在于通过对客观经济现象历史规律的探讨和现状的研究，求得对未来经济活动的了解，以确定社会经济活动的发展水平，为决策提供依据。 时间序列分析预测法，首先将预测目标的历史数据按照时间的先后顺序排列，然后分析它随时间的变化趋势及自身的统计规律，外推得到预测目标的未来取值。它与回归分析预测法的最大区别在于：该方法可以根据单个变量的取值对其自身的变动进行预测，无须添加任何的辅助信息。 本案例的最大特色在于：它汇集了统计学原理中的时间序列分析这一章节的所有知识点，通过本案例的教学，可以把不同的时间序列分析方法进行综合的比较，便于学生更好地掌握本章的内容。 二、案例的目的与要求 （一）教学目的 1．通过本案例的教学，使学生认识到时间序列分析方法在实际工作中应用的必要性和可能性； 2．本案例将时间序列分析中的水平指标、速度指标、长期趋势的测定等内容有机的结合在一起，以巩固学生所学的课本知识，深化学生对课本知识的理解； 3．本案例是对烟台市的国内生产总值数据进行预测，通过对实证结果的比较和分析，使学生认识到对同一问题的解决，可以采取不同的方法，根据约束条件，从中选择一种合适的预测方法； 4．通过本案例的教学，让学生掌握EXCEL软件在时间序列分析中的应用，对统计、计量分析软件SPSS或Eviews等有一个初步的了解； 5．通过本案例的教学，有助于提高学生运用所学知识和方法分析解决问题的能力、合作共事的能力和沟通交流的能力。 （二）教学要求 1．学生必须具备相应的时间序列分析的基本理论知识； 2．学生必须熟悉相应的预测方法和具备一定的数据处理能力； 3．学生以主角身份积极地参与到案例分析中来，主动地分析和解决案例中的问题； 4．在提出解决问题的方案之前，学生可以根据提供的样本数据，自己选择不同的统计分析方法，对这一案例进行预测，比较不同预测方法的异同，提出若干可供选择的方案；