时间管理-时间序列的分整检验与“费雪效应”机制分析ahref=1a

合集下载

时间序列分析——最经典的

时间序列分析——最经典的

【时间简“识”】

说明:本文摘自于经管之家(原人大经济论坛) 作者:胖胖小龟宝。原版请到经管之家(原人大经济论坛) 查看。

1.带你看看时间序列的简史

现在前面的话——

时间序列作为一门统计学,经济学相结合的学科,在我们论坛,特别是五区计量经济学中是热门讨论话题。本月楼主推出新的系列专题——时间简“识”,旨在对时间序列方面进行知识扫盲(扫盲,仅仅扫盲而已……),同时也想借此吸引一些专业人士能够协助讨论和帮助大家解疑答惑。

在统计学的必修课里,时间序列估计是遭吐槽的重点科目了,其理论性强,虽然应用领域十分广泛,但往往在实际操作中会遇到很多“令人发指”的问题。所以本帖就从基础开始,为大家絮叨絮叨那些关于“时间”的故事!

Long long ago,有多long?估计大概7000年前吧,古埃及人把尼罗河涨落的情况逐天记录下来,这一记录也就被我们称作所谓的时间序列。记录这个河流涨落有什么意义?当时的人们并不是随手一记,而是对这个时间序列进行了长期的观察。结果,他们发现尼罗河的涨落非常有规律。掌握了尼罗河泛滥的规律,这帮助了古埃及对农耕和居所有了规划,使农业迅速发展,从而创建了埃及灿烂的史前文明。

好~~从上面那个故事我们看到了

1、时间序列的定义——按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。

2、时间序列分析的定义——对时间序列进行观察、研究,找寻它变化发展的规律,预测它将来的走势就是时间序列分析。

既然有了序列,那怎么拿来分析呢?

时间序列分析方法分为描述性时序分析和统计时序分析。

1、描述性时序分析——通过直观的数据比较或绘图观测,寻找序列中蕴含的发展规律,这种分析方法就称为描述性时序分析

《时间序列分析法》课件

《时间序列分析法》课件
利用机器学习算法对时间序列数 据进行学习,挖掘数据中的模式 和规律。
预测与决策
02
03
数据处理能力
通过机器学习模型对未来时间序 列数据进行预测,为决策提供支 持。
机器学习能够处理大规模、复杂 的时间序列数据,提高分析效率 。
大数据时代的时间序列分析挑战
数据规模庞大
随着数据采集技术的进步,时间序列数据规模 呈指数级增长,对分析能力提出挑战。
PP检验
利用Phillips-Perron检验方法判断时间序列是否平稳。
季节性检验
季节性自相关图
通过绘制季节性自相关图,直观判断时间序列是否存在季节性。
季节性分解
利用季节性分解方法,如乘法分解或加法分解,将时间序列分解为趋势、季节 性和随机波动三部分。
03
时间序列的模型选择
确定模型类型
确定时间序列数据的性质
详细描述
气候变化时间序列分析通过对长时间序列的气候数据进行分析,可以揭示全球气 候变化的趋势和规律。这种分析方法有助于科学家更好地理解气候变化的成因和 机制,为制定应对气候变化的政策和措施提供科学依据。
销售数据时间序列分析
总结词
销售数据时间序列分析有助于了解市场需求和消费者行为,为企业制定销售策略提供依据。
它通常用于预测未来趋势、分析周期 波动、研究长期变化等方面。
时间序列分析法的应用领域

时间序列分析方法1

时间序列分析方法1
时间序列分析方法1
增减速度(增长率)
• 增长量与基期水平之比,说明现象增长变化的相对程度
• 基期不同,分环比增长速度与定期增长速度 环比增减速度 = 逐期增减量/上期水平 = 环比发展速度-1
定期增减速度 = 累计增减量/固定基期水平 = 定期发展速度-1
• 二者关系:总增减速度不等于相应环比增速之和(积)
• 样本点之间数据具有可比性,价值形态出现的数据往 往是不可比的,应当消除物价因素的影响
• 样本观察值过于集中,不能反映经济变量间的结构关 系,应增大观测区间
• 时间序列误差项间往往存在序列相关(自相关)
时间序列分析方法1
截面数据
• 截面数据又俗称横向数据,是一批发生在同一时间截 面上的调查数据。研究某个时点上的变化情况。例如, 工业普查数据、人口普查数据、家计调查数据等。
时间序列分析方法1
时间序列定义
• 一个时间序列时一时间顺序生成的观测值的集合
– 若该集合是连续的,这层次时间序列为连续型时间序列 – 若该集合是离散的,这层次时间序列为离散型时间序列
• 本课程所讨论的时间序列,是离散型时间序列,其观测值 按固定时间间隔采样
• 设yt是时间序列在时刻(或时期)t 的观测值,当在 t =
• 截面数据的时间是凝固的。 • 截面数据中大多存在异方差,必须引起注意。
时间序列分析方法1

时间序列分析

时间序列分析

时间序列分析

⼀、定义

时间序列(或称动态数列)是指将同⼀统计指标的数值按其发⽣的时间先后顺序排列⽽成的数列。时间序列分析的主要⽬的是根据已有的历史数据对未来进⾏预测。经济数据中⼤多数以时间序列的形式给出。根据观察时间的不同,时间序列中的时间可以是年份、季度、⽉份或其他任何时间形式。

时间序列简单的说就是各时间点上形成的数值序列。时间序列分析并不是关于时间的回归,它主要是研究⾃⾝的变化规律的(这⾥不考虑含外⽣变量的时间序列)。

对时间序列进⾏观察,研究,寻找它变化发展的规律,预测它将来的⾛势,就是时间序列分析。

⼆、构成要素:长期趋势,季节变动,循环变动,不规则变动。

1)长期趋势( T )现象在较长时期内受某种根本性因素作⽤⽽形成的总的变动趋势。

2)季节变动( S )现象在⼀年内随着季节的变化⽽发⽣的有规律的周期性变动。

3)循环变动( C )现象以若⼲年为周期所呈现出的波浪起伏形态的有规律的变动。

4)不规则变动(I )是⼀种⽆规律可循的变动,包括严格的随机变动和不规则的突发性影响很⼤的变动两种类型。

三、作⽤

1. 反映社会经济现象的发展变化过程,描述现象的发展状态和结果。

2. 研究社会经济现象的发展趋势和发展速度。

3. 探索现象发展变化的规律,对某些社会经济现象进⾏预测。

4. 利⽤时间序列可以在不同地区或国家之间进⾏对⽐分析,这也是统计分析的重要⽅法之⼀。

四、变量特征

⾮平稳性(nonstationarity,也译作不平稳性,⾮稳定性):即时间序列变量⽆法呈现出⼀个长期趋势并最终趋于⼀个常数或是⼀个线性函数。

时间序列分析

时间序列分析
随机误差
由于随机干扰等因素引起的误差。
粗差
由于观测错误、异常值等原因引起的误差 。
系统误差
由于模型本身的不完善、偏差等原因引起 的误差。
平滑
通过数据平滑等技术减少随机误差和粗差 的影响,提高数据质量。
05
时间序列分析的应用场景与实例
股票价格预测
总结词
通过分析历史股票价格数据,利用时间序列分析方法可以预 测未来的股票价格走势,从而为投资决策提供参考。
智能交通
智能交通是时间序列分析的一个重要应用领域,通过对交通 流量的实时监测和预测,可以有效地缓解交通拥堵和提高道 路安全性。
THANKS
谢谢您的观看
包括季节性自回归项、季节性差分项和非季 节性自回归项、差分项和移动平均项。
SARIMA模型的参数估 计
与ARIMA模型类似,通常采用最小二乘法 或极大似然法进行参数估计。
SARIMA模型的诊断检 验
与ARIMA模型类似,包括残差诊断、ACF 图和PACF图等。
其他时间序列模型
指数平滑模型
以历史数据为基础,通过一定的权重分配进行未来值的预测。
气候变化是全球性问题,需要对未来的气 候变化趋势进行预测。时间序列分析可以 用于气候变化预测,通过对历史气候数据 进行分析,建立时间序列模型,从而预测 未来的气候变化趋势。这种应用场景可以 为政府制定应对气候变化的政策提供科学 依据。

时间序列分析培训教材

时间序列分析培训教材

时间序列分析培训教材实验手册

目录

目录 (2)

第二章时间序列的预处理 (3)

一、平稳性检验 (3)

二、纯随机性检验 (9)

第三章平稳时间序列建模实验教程 (10)

一、模型识别 (10)

二、模型参数估计(如何推断拟合的模型与结果写法) (14)

三、模型的显著性检验 (17)

四、模型优化 (18)

第四章非平稳时间序列的确定性分析 (19)

一、趋势分析 (19)

二、季节效应分析 (34)

三、综合分析 (38)

第五章非平稳序列的随机分析 (44)

一、差分法提取确定性信息 (44)

二、ARIMA模型 (58)

三、季节模型 (62)

第二章时间序列的预处理

一、平稳性检验

时序图检验与自有关图检验

(一)时序图检验

根据平稳时间序列均值、方差为常数的性质,平稳序列的时序图应该显示出该序列始终在一个常数值邻近随机波动,而且波动的范围有界、无明显趋势及周期特征

例2.1

检验1964年——1999年中国纱年产量序列的平稳性

1.在Eviews软件中打开案例数据

图1:打开外来数据

图2:打开数据文件夹中案例数据文件夹中数据

文件中序列的名称能够在打开的时候输入,或者者在打开的数据中输入图3:打开过程中给序列命名

图4:打开数据

2.绘制时序图

能够如下图所示选择序列然后点Quick选择Scatter或者者XYline;绘制好后能够双击图片对其进行修饰,如颜色、线条、点等

图1:绘制散点图

图2:年份与产出的散点图

100

200300400

5006001960

1970198019902000

YEAR

O U T P U T

图3:年份与产出的散点图

时间序列分析-课件PPT文档共183页

时间序列分析-课件PPT文档共183页
3、理论依据:尽管影响现象发展的因素无法探 求,但其结果之间却存在着一定的联系,可 以用相应的模型表示出来,尤其在随机性现 象中。
三、确定性时间序列分析与随机性时间序列分 析
时间序列依据其特征,有以下几种表现形式, 并产生与之相适应的分析方法:
(1)长期趋势变化
受某种基本因素的影响,数据依时间变化时 表现为一种确定倾向,它按某种规则稳步地 增长或下降。
自相关函数:
(t,s) r(t,s)
r(t,t) r(s,s)
当t,s取遍所有可能的整数时,就形成了时间序 列的自相关函数,它描述了序列的自相关结 构。它的本质等同于相关系数。
第二节 平稳时间序列
一、平稳时间序列 1、定义:时间序列{zt}是平稳的,意指
如果{zt}有有穷的二阶中心矩,而且满足: (1)ut= Ezt =c; (2)r(t,s) = E[(zt-c)(zs-c)] = r(t-s,0)
时间序列分析-课件
时间序列分析
二、时间序列分析
1、 时间序列分析:是一种根据动态数据揭示 系统动态结构和规律的统计方法。其基本思 想:根据系统的有限长度的运行记录(观察 数据),建立能够比较精确地反映序列中所 包含的动态依存关系的数学模型,并借以对 系统的未来进行预报(王振龙)
2、计量经济学中的建模方法和思想
平稳时间序列自协方差仅与时间隔有关,当 间隔为零时,自协方差应相等:

《时间序列分析》(第部分)解读

《时间序列分析》(第部分)解读

● 以上命令为例,如果模型中没有 MA(1)项,则 SMA(12)项退化为 MA(12)项。为什 么? ● 建立 SARIMA 模型,首先要确定 d, D。通过差分和季节差分把原序列变换为一个 平稳序列,dsDyt,然后用dsDyt 建立 SARIMA 模型。
1.9.2 SARIMA 过程的相关图与偏相关图 (1)SAR 过程。 对于(0, 0, 0) (1, 0, 0)4 阶季度模型 xt= 1 xt –4+ut 其自相关函数是,
12Lnyt= (1+1 L)(1+1 L12) ut
● 这种模型也称作航线模型(air line model) ,首次被 Box 采用。 例:(1-1.20L+0.66 L2)(1-0.33L4) 4 yt = (1-1.16L+ 0.97 L2)(1-0.95L4)vt
(14.4) (-8.8) (2.8) (55.9) (86.1) (-32.9)
以相关图和偏相关图为例如果相关图和偏相关图不是呈近似线性衰减趋势而是在变化周期的整倍数时点上出现绝对值相当大的峰值并呈振荡式变化就可以认为该时间序列可以用是在变化周期的整倍数时点上出现绝对值相当大的峰值并呈振荡式变化就可以认为该时间序列可以用sarima模型描述
1.9 季节时间序列模型 在某些时间序列中,存在明显的周期性变化。这种周期是由于季节性变化(包括 季度、月度、周度等变化)或其他一些固有因素引起的。这类序列称为季节性序列。 经济领域中,季节性时间序列更是常见。如季度时间序列、月度时间序列、周度时间 序列等。这里主要研究的是季度和月度时间序列。 中国季度 GDP 序列(yt,亿元人民币,1992:1~2009:1)见图。序列明显存在以 4 个季度为周期的变化。在每年的第 4 季度,由于受接近年终的影响,GDP 额比其他季 度要增加很多。 描述这类序列的模型称作季节时间序列模型(seasonal ARIMAmodel), 用 SARIMA 表示。季节时间序列模型也称作乘积季节模型(multiplicative seasonal model) 。因为 模型的最终形式是用因子相乘的形式表示。

时间管理-时间序列分析教材(PPT58页)

时间管理-时间序列分析教材(PPT58页)
§3.3 时间序列分析
教学要求
时间序列分析的基本原理
趋势拟合方法
平滑法 趋势线法
移动平均法 滑动平均法
自回归模型
季节变动预测
一、时间序列分析的基本原理
(一)时间序列的概念 时间序列 时间序列的图示方法 编制时间序列的意义
重要概念
时间序列,是要素(变量)的数据按照时间顺 序变动排列而形成的一种数列,它反映了要素(变 量)随时间变化的发展过程。
(3.3.2)
二、趋势拟合方法(长期趋势分析)
(一)平滑法 (二)趋势线拟合法 (三)自回归模型
(一)平滑法
时间序列分析的平滑法主要有三类 :
移动平均法
设某一时间序列为 y1,y2,…,yt,则 t+1时刻的预测值为
yˆt1

1 n
n1 j0
yt j

yt

yt 1
n
yt n 1
(三)时间序列的组合模型
加法模型
假定时间序列是基于4种成份相加而成的。长期趋势并
不影响季节变动。若以Y表示时间序列,则加法模型为
Y=T+S+C+I
乘法模型
(3.3.1)
假定时间序列是基于4种成份相乘而成的。假定季节变
动与循环变动为长期趋势的函数。该模型的方程式为
Y T SCI

第一章时间序列分析简介

第一章时间序列分析简介

基本概念推动着统计性时序分析的初步发展
19世纪的数学家正是在欣赏并应用上述金融算 术的过程中,逐步开始讨论对时间现象的建 模问题。由此产生了一些重要的概念。
这些基本概念都经历了从金融算术到政治算术 ,最后进入科学算术阶段及现代化数学领域 的发展过程.
基本概念推动着统计性时序分析的初步发展
最初,这些概念只是金融家进行贸易猜测、欺骗大众 和掩盖真相的工具。
基本概念推动着统计性时序分析的初步发展
17世纪,当帕斯卡和费马等学者以机会游戏为 基础讨论稳定的概率比率时,欧洲的商人没 有借鉴这些自然哲学家的数学方法,而是借 助不同的定量推理,计算自己在市场变化中 的利益得失。他们利用商人的独特方法分析 市场波动情形,无意中为商业实践转入统计 性时序分析奠定了基础。
2/22/2020
4
时间序列的含义
按照时间顺序把随机事件变化过程量化记 录下来的一列有序数据,构成一个时间 序列。
对时间序列进行观察、研究,找出变化发 展的规律,预测它将来的趋势就是时间 序列分析。
2/22/2020
5
时间序列的ቤተ መጻሕፍቲ ባይዱ成因素:
(长期趋势,季节变动,循环波动,不规则波动)
1、长期趋势:是时间序列在长时期内呈现出 来的持续向上或持续向下的变动。
2、季节变动:是时间序列在一年内重复出现 的周期性波动。如气候条件、生产条件、节假 日或人们的风俗习惯等各种因素影响的结果。

时间序列分析

时间序列分析

第七章时间序列分析

(一)教学目的

通过本章的学习,掌握时间序列的概念、类型,学会各种动态分析指标的计算方法和具体运用。

(二)基本要求

要求学会各动态分析指标的计算方法,掌握长期趋势、季节变动的测定方法。

(三)教学要点

1、时间序列的概念与种类;

2、动态分析指标的计算;

3、长期趋势、季节变动、循环变动的测定。

(四)教学时数

8课时

(五)教学内容

本章共分四节:

第一节时间序列的对比分析

一、时间序列及其分类

(一)时间序列的概念

时间序列亦称为动态数列或时间数列(Time Series),就是把反映某一现象的同一指标在不同时间上的取值,按时间的先后顺序排列所形成的数列。

(二)时间序列的构成要素

1.现象所属的时间。可以是一段时期,时期可长可短,可以以日为时间单位,也可以以年为时间单位,甚至更长;也可以是时点,如年末、月末、年初、月初。

2. 现象在一定时间条件下的统计数据,即发展水平。

(三)分析时间序列的目的

1.描述事物在过去时间的状态;

2.分析事物发展变化的规律;

3.对事物的发展变化趋势进行预测预测

(四)时间序列的分类

时间序列的分类在时间序列分析中具有重要的意义。因为,在很多情况下,时间序列的种类不同,则时间序列的分析方法就不同。因此,为了能够保证对时间序列进行准确分析,则首先必须正确判断时间序列的类型。而要正确判断时间序列的类型,其关键又在于对有关统计指标的分类进行准确理解。

由于时间序列是由统计指标和时间两个要素所构成,因此时间序列的分类实际上和统计指标的分类是一致的。

时间序列按照数列中排列指标的性质的不同可分为:总量指标时间序列、相对指标时间序列和平均指标时间序列。

时间序列分析:

时间序列分析:

时间序列分析:

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。

时间序列分析法

时间序列分析法

3. 时间序列分析法

对于预测,有定性和定量两类方法,定性的方法主要是作一些趋势性或转折点的判定。常用的方法有专家座谈会法,德尔菲法等。常用的定量预测方法有两种,一种是回归分析法,另一种常用方法就是时间序列分析法。这一章主要介绍有关时间序列分析法的有关内容。

3.1 基本概念

所谓时间序列就是一组按照一定的时间间隔排列的一组数据。这一组数据可以表示各种各样的含义的数值,如对某种产品的需求量、产量,销售额,等。其时间间隔可以是任意的时间单位,如小时、日、周、月等。通常,对于这些量的预测,由于很难确定它与其他因变量的关系,或收集因变量的数据非常困难,这时我们就不能采用回归分析方法进行预测,或者说,有时对预测的精度要求不是特别高,这时我们都可以使用时间序列分析方法来进行预测。

当然,时间序列分析法并非只是一种简单的预测分析方法,其实,基本的时间序列分析法确实很简单,但是也有一些非常复杂的时间序列分析方法。

采用时间序列分析进行预测时需要用到一系列的模型,这种模型统称为时间序列模型。在使用这种时间序列模型时,总是假定某一种数据变化模式或某一种组合模式总是会重复发生的。因此可以首先识别出这种模式,然后采用外推的方式就可以进行预测了。

采用时间序列模型时,显然其关键在于假定数据的变化模式(样式)是可以根据历史数据识别出来;同时,决策者所采取的行动对这个时间序列的影响是很小的,因此这种方法主要用来对一些环境因素,或不受决策者控制的因素进行预测,如宏观经济情况,就业水平,某些产品的需求量;而对于受人的行为影响较大的事物进行预测则是不合适的,如股票价格,改变产品价格后的产品的需求量等。

《计量经济学简明教程》教学课件 11第十一章__时间序列分析

《计量经济学简明教程》教学课件 11第十一章__时间序列分析
回归模型进行检验的方法,称为JJ检验 1990 Juselius提出用向量自回归模型进行检验的方法,
通常称为Johansen检验 1992 Hansen作出开拓性的研究
11.3-2 协整基本定义
2.协整基本定义
➢ 协整的必要性:
利用非平稳序列进行回归,经常会出现伪回 归现象,模型中的系数估计以及其他相关统计量都 变得不可靠,就需要进行协整分析,将非平稳序列 转化为平稳序列。
11.3-3 误差修正模型(3)
3) 误差修正模型的优点
a)一阶差分项的使用消除了变量可能存在的趋势 因素,从而避免了虚假回归问题;
b)一阶差分项的使用也消除模型可能存在的多重 共线性问题;
c)误差修正项的引入保证了变量水平值的信息没 有被忽视;
d)由于误差修正项本身的平稳性,使得该模型可 以用经典的回归方法进行估计,尤其是模型中 差分项可以使用的t检验与f检验来进行选取。
b) 从长期均衡的观点看,y在第t期的变化不仅取决于 x本身的变化,还取决于x与y在t-1期末的状态,尤其 是x与y在t-1期的不平衡程度,如果采用差分形式进行 估计,则关于变量水平值的重要信息将被忽略,会得 出不能令人满意回归方程。
2) 误差修正模型的定义
误差修正模型(error correction model,简 记为ecm)是一种具有特定形式的计量经济学模型 ,它的主要形式是由davidson、 hendry、srba 和yeo于1978年提出的,称为DHSY模型。

时间管理-第二节 时间序列的分解分析 精品

时间管理-第二节 时间序列的分解分析 精品

2
4
M
2
3
1 2
y1
y2
y3 4
y4
1 2
y5
23
偶数项移动平均 (例如取4项)
1. y1
移动平均
移正平均
2. y2 3. y3 4. y4 5. y5 6. y6
y1 y2 y3 y4 4
y2 y3 y4 y5 4
y3 y4 y5 y6 4
y4 y5 y6 y7 4
y1 y2 y3 y4 y2 y3 y4 y5
4 yt1
yt2
29
移动平均法的特点
移动平均对数列具有平滑修匀作用,移动项数 越多,平滑修匀的作用越强;
由移动平均数组成的趋势值数列,较原数列的
项数少,N为奇数时,趋势值数列首尾各少 N 1
项;N为偶数时,首尾各少 N 项;
2
2
局限:不能完整地反映原数列的长期趋势,不
便于直接根据修匀后的数列进行预测。
如N = 3 时,应以 (a b)2 a2 2ab b2 的系数
1,2,1 为权数: 25
1. y1
y 2y y
1
23
2. y2
4
3. y3
y2 2y3 y4 4
4. y4
y3 2y4 y5
5. y5
4
26
M12
y1 2 y2 4
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

时间序列的分整检验与“费雪效应”机制分析*

刘金全 郭整风 谢卫东

吉林大学数量经济研究中心 吉林长春 130012

内容提要 “费雪效应”假设说明通货膨胀率对于名义利率存在直接影响,两者之间存在长期均衡关系。我们利用单位根检验和分整检验等方法检验名义利率和通货膨胀率序列的单位根性质,并利用协整检验判断它们之间的长期均衡关系。检验结果表明,我国通货膨胀率对名义利率的作用尚不明显,我国经济当中没有出现显著的“费雪效应”。

关键词 名义利率 通货膨胀率 费雪效应

名义利率、实际利率和通货膨胀率三者之间的关系一直是宏观经济学和金融学领域中的重要问题,对此已经建立了许多经典的理论模型(Walsh ,1998),其中一个非常著名的理论假设就是“费雪效应”(Fisher Effect ,Fisher ,1936):在完全预期情形下,名义利率与通货膨胀率之间的变化是一一对应的,任何产品价格成本的变化都将在货币成本当中表现出来,此时货币持有成本和产品投资成本是基本等价的。由于“费雪效应”直接给出了名义利率、通货膨胀率和货币需求等变量之间的影响关系,因此“费雪效应”不仅是一些重要经济理论的基础,而且也是货币政策等作用机制的判断标准。 Macdonald 和Murphy(1988)利用Granger 影响关系检验,分析了通货膨胀率和名义利率之间的短期影响关系。他们认为在开放经济当中,名义利率与通货膨胀率的变化趋势之间存在差异,因此“费雪效应”存在的迹象并不明显;与上述短期分析模式不同,Mishkin(1992)利用协整关系检验方法,从长期角度出发来重新研究“费雪效应”机制,他们认为美国的名义利率和通货膨胀率序列都是非平稳的,并且具有显著的协整关系,由此推断长期内“费雪效应”在一定程度上是存在的。虽然上述实证结论存在差异,但是表明““费雪效应”的实证检验比较明显地依赖名义利率和通货膨胀率序列的时间序列性质。

由于我国近年来连续降低名义利率,并且经济当中出现了轻微通货紧缩,名义利率和价格水平出现相同的下降趋势,但是这种表象还不足以判断“费雪效应”在我国经济当中是否显著存在。为此,我们将对我国通货膨胀率和名义利率序列采取更为具体的平稳性检验,并且引入分整检验来判断出现在上述序列当中的记忆性,力求获得比较更为准确的实证结果。 一、“费雪效应”机制的理论模型与计量检验

如果市场上的所有经济行为个体能够利用所有信息,那么名义利率预期是实际利率预期和通货膨胀预期之和,这种关系可以用公式表述为:

)(),(),(111t E t j r E t j R E t t t π−−−+=

其中和表示t 时第j 类资产的名义收益率和实际收益率,),(t j R ),(t j r )(t π表示t 时的通货膨胀率。是利用时所有信息的预期算子。如果在名义规模和实际规模同比例扩张的过程中,资产的实际收益率不变,则通货膨胀率的预期变化将在名义利率的预期变化中体现出来,这时有: )(⋅1−t E )1(−t r t E t j R E t t =−−−)(),(11π 其中r 表示常数的实际收益率。因此,如果资产的名义收益率出现预期扰动,为了保证实际收益率不变,必定要在通货膨胀率预期当中出现相应的变化,这时名义收益率和通货膨胀率的预期变化是一一对应的,这就是通货膨胀率变化产生的“费雪效应”。如果“费雪效应”存在,我们可以得到下面著名的费雪方程式:

t t t E j t R επβµ++=−)(),(1

原文发表于《数量经济技术经济》2003年第4期。

* 社会科学基金项目(02BJY019)和教育部重大项目(02JAZJD790007)资助。

其中µ表示资产的长期实际收益率,β表示通货膨胀率预期对于名义收益率的弹性影响,表示非预期的扰动成分。

t ε为了实际估计费雪方程式,需要给出通货膨胀率预期的形成过程。根据理性预期假设,实际通货膨胀率与理性预期通货膨胀率之间仅存在随机的非系统误差,预期通货膨胀率可以表示为:

t t t E t µππ+=−)()(1

将其代入到费雪方程式中,可以得到用于实证分析的经验方程式:

t t t R ηπβµ++=

此处:,表示通货膨胀率预期和名义收益率预期当中出现的复合误差。在实证检验中,我们可以利用上式检验“费雪效应”的存在程度。如果能够得到参数t t t εµη+=β的一致估计,则“费雪效

应”的判断准则为:如果估计出来,则存在严格意义上的“费雪效应”;如果估计结果为0,并且参数估计是显著的,此时通货膨胀率对于名义收益率影响方向是正确的,因此存在较“弱”意义上的“费雪效应”。

1ˆ=β1ˆ<<β

因此,关于“费雪效应”的检验就归结到如何估计上述经验方程。由于名义收益率和通货膨胀率时间序列性质上的差异,通常的普通最小二乘估计是非一致估计(Mills ,1999),因此需要对方程当中涉及到的时间序列的平稳性和协整性进行必要的分析和检验。

三、“费雪效应”模型的估计和检验结果

我们主要分析“通货膨胀率”和“名义利率”(表示货币资产的名义收益率)的时间序列性质,以便检验它们之间是否存在显著的“费雪效应”。沿用上节符号,变量R 和分别表示名义利率和通货膨胀率。我们选取月度数据,主要是为了增加结论的灵敏性和样本数量,数据来源为《中国人民银行统计季报》。从图示的时间序列轨迹当中可以看出,通货膨胀路径的周期性和波动性都比较明显,在1999年之前的通货膨胀率出现了显著的单峰对称变

化模式。在这个期间内,我国的经济增长也经历了分界比较

明显的经济周期,但此间实际GDP 的周期波动并没有影响价格水平变化的“大周期”形式,出现了价格水平变化和实际GDP 周期之间的偏离,这为分析名义利率和通货膨胀率之间的影响关系提供了很好的实证条件和环境。

t t π-50

5

10

15

20

25

30

909192939495969798990001在检验“费雪效应”假设之前,我们首先需要判断名义利率序列和通货膨胀率序列的平稳性,并且利用单位根检验判断非平稳时的单整阶数。表1给出了这两个时间序列的单位根检验结果,我们采用的是扩展的Dicky-Fuller 统计量和PP 统计量(Phllips-Perron 统计量,Mills ,1999)。

根据表1的检验结果可知,在1%的显著性水平下,时间序列和均接受存在至少一个单位根的原假设。因为检验统计量均小于对应的临界值(绝对值比较,*号表示接受单位根假设)。对上述时间序列的差分序列进一步进行单位跟检验,我们发现差

分后均拒绝存在单位根的原假设(检验结果略),因此可以推断通货膨胀率序列和名义利率序列都是一阶单整的I (1)过程。

t R t π表1 时间序列的单位根检验结果

序列 ADF PP

临界值 t R -0.99* -0.84* -2.58

t π

-1.23* -1.82* -2.58 为了说明检验上述单整结论的稳健性,我们进一步采用分整(fractional integration)模型(Geweke and Poter ,1983)来寻求通货膨胀率和名义利率过程中的单位根迹象。因为上述ADF 和PP 统计量在区分“严格”单位根过程和“近似”单位根过程中的检验效果不够灵敏(Mills ,1999)。例如,传统时间序列的单位根检验过程是建立在时间序列{整数阶数差分后的自回归移动平均过程基础上,即建立在ARIMA (p , d , q )模型基础上的(L 表示滞后算子,}t Y µ是无条件均值):

相关文档
最新文档