§9.2随机时间序列分析模型.ppt

§9.2随机时间序列分析模型.ppt

ID:56969151

大小:508.00 KB

页数:69页

时间:2020-07-23

§9.2随机时间序列分析模型.ppt_第1页
§9.2随机时间序列分析模型.ppt_第2页
§9.2随机时间序列分析模型.ppt_第3页
§9.2随机时间序列分析模型.ppt_第4页
§9.2随机时间序列分析模型.ppt_第5页
资源描述:

《§9.2随机时间序列分析模型.ppt》由会员上传分享,免费在线阅读,更多相关内容在工程资料-天天文库

1、§9.2随机时间序列分析模型一、时间序列模型的基本概念及其适用性二、随机时间序列模型的平稳性条件三、随机时间序列模型的识别四、随机时间序列模型的估计五、随机时间序列模型的检验经典计量经济学模型与时间序列模型确定性时间序列模型与随机性时间序列模型一、时间序列模型的基本概念及其适用性1、时间序列模型的基本概念随机时间序列模型(timeseriesmodeling)是指仅用它的过去值及随机扰动项所建立起来的模型,其一般形式为Xt=F(Xt-1,Xt-2,…,t)建立具体的时间序列模型,需解决如下三个问题:(1)模型的具体形式(2)时序变量的滞后期(3)随机扰动项的结构例如,取线性方程、

2、一期滞后以及白噪声随机扰动项(t=t),模型将是一个1阶自回归过程AR(1):Xt=Xt-1+t这里,t特指一白噪声。一般的p阶自回归过程AR(p)是Xt=1Xt-1+2Xt-2+…+pXt-p+t(*)(1)如果随机扰动项是一个白噪声(t=t),则称(*)式为一纯AR(p)过程(pureAR(p)process),记为Xt=1Xt-1+2Xt-2+…+pXt-p+t(2)如果t不是一个白噪声,通常认为它是一个q阶的移动平均(movingaverage)过程MA(q):t=t-1t-1-2t-2--qt-q该式给出了一个纯MA(q)

3、过程(pureMA(p)process)。将纯AR(p)与纯MA(q)结合,得到一个一般的自回归移动平均(autoregressivemovingaverage)过程ARMA(p,q):Xt=1Xt-1+2Xt-2+…+pXt-p+t-1t-1-2t-2--qt-q该式表明:(1)一个随机时间序列可以通过一个自回归移动平均过程生成,即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。(2)如果该序列是平稳的,即它的行为并不会随着时间的推移而变化,那么我们就可以通过该序列过去的行为来预测未来。这也正是随机时间序列分析模型的优势所在。经典回归模型的问题:迄今为

4、止,对一个时间序列Xt的变动进行解释或预测,是通过某个单方程回归模型或联立方程回归模型进行的,由于它们以因果关系为基础,且具有一定的模型结构,因此也常称为结构式模型(structuralmodel)。然而,如果Xt波动的主要原因可能是我们无法解释的因素,如气候、消费者偏好的变化等,则利用结构式模型来解释Xt的变动就比较困难或不可能,因为要取得相应的量化数据,并建立令人满意的回归模型是很困难的。有时,即使能估计出一个较为满意的因果关系回归方程,但由于对某些解释变量未来值的预测本身就非常困难,甚至比预测被解释变量的未来值更困难,这时因果关系的回归模型及其预测技术就不适用了。2、时间序列

5、分析模型的适用性例如,时间序列过去是否有明显的增长趋势,如果增长趋势在过去的行为中占主导地位,能否认为它也会在未来的行为里占主导地位呢?或者时间序列显示出循环周期性行为,我们能否利用过去的这种行为来外推它的未来走向?●随机时间序列分析模型,就是要通过序列过去的变化特征来预测未来的变化趋势。使用时间序列分析模型的另一个原因在于:如果经济理论正确地阐释了现实经济结构,则这一结构可以写成类似于ARMA(p,q)式的时间序列分析模型的形式。在这些情况下,我们采用另一条预测途径:通过时间序列的历史数据,得出关于其过去行为的有关结论,进而对时间序列未来行为进行推断。例如,对于如下最简单的宏观经

6、济模型:这里,Ct、It、Yt分别表示消费、投资与国民收入。Ct与Yt作为内生变量,它们的运动是由作为外生变量的投资It的运动及随机扰动项t的变化决定的。上述模型可作变形如下:两个方程等式右边除去第一项外的剩余部分可看成一个综合性的随机扰动项,其特征依赖于投资项It的行为。如果It是一个白噪声,则消费序列Ct就成为一个1阶自回归过程AR(1),而收入序列Yt就成为一个(1,1)阶的自回归移动平均过程ARMA(1,1)。二、随机时间序列模型的平稳性条件自回归移动平均模型(ARMA)是随机时间序列分析模型的普遍形式,自回归模型(AR)和移动平均模型(MA)是它的特殊情况。关于这几类模

7、型的研究,是时间序列分析的重点内容:主要包括模型的平稳性分析、模型的识别和模型的估计。1、AR(p)模型的平稳性条件随机时间序列模型的平稳性,可通过它所生成的随机时间序列的平稳性来判断。如果一个p阶自回归模型AR(p)生成的时间序列是平稳的,就说该AR(p)模型是平稳的,否则,就说该AR(p)模型是非平稳的。考虑p阶自回归模型AR(p)Xt=1Xt-1+2Xt-2+…+pXt-p+t(*)引入滞后算子(lagoperator)L:LXt=Xt-1,L2Xt=X

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。