计量经济学第九章 时间序列结构模型课件.docx
《计量经济学第九章 时间序列结构模型课件.docx》由会员分享，可在线阅读，更多相关《计量经济学第九章 时间序列结构模型课件.docx（19页珍藏版）》请在冰豆网上搜索。
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，VAR）
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
（9.1）
当时间序列的逐期增长量（即一阶一次差分
）大体相同时，可以考虑拟合直线趋势方程。
2.曲线趋势模型
（9.2）
若逐期增长量的逐期增长量（二阶一次差分
）大致相同，可拟合二次曲线
。
类似地，如果事物发展趋势有两个拐点，可以拟合三次曲线
。
其他更高次的曲线趋势比较少用。
3.指数曲线模型
（9.3）
或
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
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
，
（9.4）
（2）龚伯兹（Gompertz）曲线模型
（9.5）
（3）逻辑斯蒂（Logistic）曲线模型
（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（RootMeanSquaredError，RMSE）：
2.平均绝对误差（MeanAbsoluteError，MAE）：
3.平均绝对百分比误差（MeanAbsolutePercentError，MAPE）：
（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）
年份
t
GDP
年份
t
GDP
1978
1
3645.2
1994
17
16505.9
1979
2
3922.2
1995
18
18309.2
1980
3
4228.7
1996
19
20141.7
1981
4
4450.4
1997
20
22014.2
1982
5
4853.5
1998
21
23738.7
1983
6
5380.3
1999
22
25547.5
1984
7
6196.8
2000
23
27701.5
1985
8
7031.2
2001
24
30000.8
1986
9
7653.3
2002
25
32725.5
1987
10
8539.8
2003
26
36006.4
1988
11
9503.1
2004
27
39637.7
1989
12
9889.2
2005
28
43773.0
1990
13
10268.9
2006
29
48871.2
1991
14
11211.4
2007
30
55243.0
1992
15
12808.0
2008
31
60189.5
1993
16
14596.6
2009
32
65426.0
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：
线性化的趋势模型形式为
，即
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9-2EViews输出结果
DependentVariable:
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
Meandependentvar
9.718339
AdjustedR-squared
0.999606
S.D.dependentvar
0.833467
S.E.ofregression
0.016540
Akaikeinfocriterion
-5.242546
Sumsquaredresid
0.007113
Schwarzcriterion
-5.055720
Loglikelihood
82.63820
F-statistic
24538.49
Durbin-Watsonstat
2.013367
Prob（F-statistic）
0.000000
InvertedARRoots
.64-.57i
.64+.57i
可见，消除误差项自相关后，回归方程为
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GDP年均增长率为
〕
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
年份
季度
t
2006
1
1132.633
1
0
0
0
2
1298.058
2
1
0
0
3
1207.310
3
0
1
0
4
1116.035
4
0
0
1
2007
1
1580.591
5
0
0
0
2
1797.940
6
1
0
0
3
1709.866
7
0
1
0
4
1650.171
8
0
0
1
2008
1
1856.484
9
0
0
0
2
2062.624
10
1
0
0
3
2022.310
11
0
1
0
4
2090.456
12
0
0
1
2009
1
2261.068
13
0
0
0
2
2518.568
14
1
0
0
3
2440.067
15
0
1
0
4
2465.885
16
0
0
1
2010
1
2673.704
17
0
0
0
2
2887.903
18
1
0
0
3
2896.740
19
0
1
0
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
。
EViews回归结果如下：
表9-4EViews输出结果
DependentVariable:
Y
Method:
LeastSquares
Sample:
2006Q12011Q4
Includedobservations:
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
Meandependentvar
2241.061
AdjustedR-squared
0.991881
S.D.dependentvar
727.6855
S.E.ofregression
65.56791
Akaikeinfocriterion
11.38710
Sumsquaredresid
81683.87
Schwarzcriterion
11.63253
Loglikelihood
-131.6452
Hannan-Quinncriter.
11.45221
F-statistic
703.4771
Durbin-Watsonstat
1.893665
Prob（F-statistic）
0.000000
故样本回归方程如下：
（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（StaticModel）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：
（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
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
，即
，其中
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
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
，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
都是产生自平稳、遍历过程，应用OLS在大样本下仍然可以获得参数的一致和渐进正态的估计量，因此也可以按照横截面数据回归分析的方法进行参数估计和统计推断。
〔对于非平稳和高度持久的时间序列，由于OLSE的一致性和渐进正态性受到破坏，容易产生伪回归问题。
一般而言，如果生成时间序列的随机过程是非平稳的（或高度持久的），必须将数据平稳化（或弱相依化），然后再进行OLS回归。
由于在一般情况下，大多数非平稳时间序列都是高度持久的，所以时间序列平稳化的过程同时也是弱相依化的过程。
〕
二、趋势平稳序列的回归
什么是趋势平稳序列？
时间序列中确定性趋势导致的伪回归称为第一种类型的伪回归。
如果作为时间序列中包含了确定性的时间趋势，为了避免第一种类型的伪回归，有等价的两种处理方法。
（一）在模型中引入时间变量
如果x、y中含有确定性趋势，若直接将y对x进行回归，相当于遗漏了重要变量t，所以，应该在模型中将其作为独立的自变量引入进来。
这样x的回归系数才反映在时间t固定（保持不变）条件下，x对y的“纯净”影响，避免伪回归。
〔例9-3〕表9-5中，x是某地人均寿命（岁），y是该地区稻米产量（千克/亩），t是时间变量（以1991年作为起始年份）。
表9-5某地人均寿命与稻米产量历史数据
年份
t
x
y
年份
t
x
y
1991
1
77.05
517.10
2001
11
77.50
630.78
1992
2
73.00
525.83
2002
12
77.72
610.61
1993
3
69.55
534.20
2003
13
78.98
634.81
1994
4
76.78
550.92
2004
14
78.48
651.92
1995
5
68.60
548.79
2005
15
79.23
661.27
1996
6
76.05
561.56
2006
16
76.00
642.99
1997
7
74.72
571.46
2007
17
80.25
613.98
1998
8
78.55
582.40
2008
18
74.79
619.94
1999
9
75.52
600.32
2009
19
76.00
678.33
2000
10
76.51
603.18
2010
20
81.28
627.13
如果直接将y对x进行回归，结果如下：
回归系数高度显著，但在经济上无法解释。
考虑到x和y都是t的函数，即
和
一个自然而然的猜测是，正是由于两个变量存在的长期趋势形成了（9.9）的结果。
将t引入（9.9），观察x对y的“纯净”效应（偏效应），得回归模型如下：
可见，消除了t的因素，x对y的偏效应在统计上不显著。
说明，（9.9）确实是一个伪回归。
（二）去除原序列中的确定性趋势
“剔除”掉时间序列中的确定性趋势，使时间序列平稳化，然后再应用OLS进行回归分析。
〔例9-4〕在例9-3中，我们已经验证出x和y序列中都含有显著的线性趋势，我们将其从原序列“剔除”出去，即作变换
变换后的数据见表9-6。
表9-6变换后的时间序列数据
年份
年份
1991
6.633
59.569
2001
4.063
101.013
1992
2.281
61.069
2002
3.981
73.621
1993
-1.471
62.221
2003
4.940
90.602
1994
5.457
71.720
2004
4.138
100.491
1995
-3.025
62.369
2005
4.586
102.618
1996
4.123
67.907
2006
1.053
77.107
1997
2.491
70.590
2007
5.001
40.881
1998
6.019
74.302
2008
-0.761
39.619
1999
2.687
85.005
2009
0.147
90.777
2000
3.376
80.640
2010
5.125
32.354
对变换后的序列进行ADF检验，可以发现，
。
使用OLS，回归结果如下：
可见，二者的线性关系不显著，说明人均寿命与稻米亩产量之间没有实质性的系统联系。
去势平稳化变换对回归系数的影响与在原序列的回归模型中加入时间趋势t的效果完全一样。
二者反映的都是剔除了t的影响后，x对y的“纯净”效应。
三、差分平稳序列回归
什么是差分平稳序列？
两个差分平稳序列的回归往往产生第二种类型的伪回归。
我们可以通过差分处理“剔除”其中的随机趋势使时间序列平稳化，然后再进行回归。
〔例9-5〕纽约证券交易所（NYSE）证券市场综合指数y和斯里兰卡人口数x的数据如表9-7所示。
试分析两个序列之间的经济关系。
表9-7NYSE证券市场综合指数和斯里兰卡人口数
年份
y（%）
x（千人）
年份
y（%）
x（千人）
1966
43.7
11440
1976
57.9
13717
1967
53.8
11702
1977
52.5
13942
1968
58.9
11992
1978
53.6
14184
1969
51.5
12252
1979
61.9
14471
1970
50.2
12516
1980
77.9
14738
1971
54.6
12608
1981
71.1
14988
1972
64.5
12816
1982
81.1
15189
1973
51.8
13091
1983
95.2
15417
1974
36.1
13284
1984
96.7
15599
1975
47.6
13496
1985
121.5
15837
节选自多米尼克·萨尔瓦多、德里克·瑞杰《统计学与计量经济学（第二版）》（复旦大学出版社，2008）第291页，表11.10.
如果直接将y对x进行OLS回归，结果如下：
将两个序列进行一阶差分变换，分别记为
和
，重新进行OLS回归，回归方程如下：
可见，消除了随机趋势，x对y的效应在统计上不显著。
说明，（9.14）确实是一个伪回归。
在单整序列之间进行回归分析时，我们常常遇到不同序列的单整阶数不同，比如我们研究y与x、z之间的关系，但
。
这就需要对不同序列分别进行不同次数的差分使之平稳化，再利用差分变量
、
和
进行回归。
〔例9-6〕讨论EViews6.0软件自带的示例文件demo.wf1中GDP与RS的关系。
打开EViews\examplefiles\data\demo.wf1，选择GDP序列和RS序列，进行单位根检验，结果是，
。
作
对
的线性回归，EViews输出结果如下：
表9-8EViews输出结果
DependentVariable:
D（D（GDP））
Method:
LeastSquares
Sample（adjusted）:
1952Q31996Q4
Includedobservations:
178afteradjustments
Coefficient
Std.Error
t-Statistic
Prob.
C
0.138438
0.509399
0.271766
0.7861
D（RS）
1.300938
0.650039
2.001322
0.0469
R-squared
0.022251
Meandependentvar
0.162500
AdjustedR-squared
0.016696
S.D.dependentvar
6.851778
S.E.ofregression
6.794340
Akaikeinfocriterion
6.681229
Sumsquaredresid
8124.697
Schwarzcriterion
6.716980
Loglikelihood
-592.6294
Hannan-Quinncriter.
6.695727
F-statistic
4.005289
Durbin-Watsonstat
2.797918
Prob（F-statistic）
0.046894
即有回归方程：
回归结果表明，GDP的二次差分序列与RS的一次差分序列之间存在显著性水平比较低的线性相关关系。
RS的季度增长量每变动一个单位，影响GDP的季度二次增长量（增长量的增长量）变动1.3个单位。
差分处理还有一个好处，可以去除时间序列中的线性确定性趋势（但不能去除非线性趋势）。
所以如果序列具有线性递增（递减）趋势，但无法断定到底是确定性趋势还是随机趋势时，对其进行差分处理一般都可以解决问题。
升级会员 