第10章时间序列数据的基本回归分析

合集下载
  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)。

假定 TS.6(正态性):误差
Hale Waihona Puke Baidu
u
独立于X,且具有独立同分布
t
Norm(0a,l 2)
定理 10.1(OLS的无偏性)
在假定TS.1、TS.2和TS.3下,以X为条件,OLS估计 量是无偏的,并因此下式也无条件地成立:
E(ˆj)j,j0,1,k
定理10.2(OLS的样本方差)
在时间序列高斯-马尔可夫假定TS.1-TS.5下,以X为 条件, 的条ˆ j 件方差为:
一个q阶有限分布滞后模型可写成:
y t0 0 z t 1 z t 1 q z t q u t
静态模型是上式的一种特例,当1,2,,都q为0即可。
冲击倾向总是同期z的系数 。
长期倾向便是所有变量 的0 系数之和。
zt j
LR P 01q
10.3 经典假设下OLS的有限样本性质
• 考察一个二阶FDL: y t0 0 z t 1 z t 1 2 z t 2 u t
(1)当z发生一个暂时性的提高时, 0则表示z在t时期提高一
个单位所引起y的即期变化。
0通常被称作冲击倾向(impact propensity)或冲击乘数
(impact multiplier)。
(注意:1,2,,分j别表示这一暂时变化发生后,下一时期、
y t01 zt u t,t 1 ,2 , ,n
• “静态模型”的名称来源于我们正在模型化y和z的同 期关系的事实。
• 在一个静态回归模型中也可以有几个解释变量。 2、有限分布滞后模型 在有限分布滞后模型(finite distributed lag model,
FDL)中,我们容许一个或多个变量对y的影响有一定 时滞。
10.4 函数形式、虚拟变量和指数
在应用研究中经常出现具有恒定百分比效应的时间序 列回归(自然对数形式)
将对数函数形式用于分布滞后模型:
方程中的冲击倾向 0 也被称为短期弹性(short-run
elasticity):它度量了GDP增长1%时货币供给的即期 百分比变化;
长期倾向01有4时也被称为长期弹性(long-
run elasticity):它度量了GDP持久地增长1%,4个月 后货币供给的百分比变化。
二值或虚拟自变量在时间序列应用中也相当有用。 既然观测单位是时间,所以虚拟变量代表某特定事件 在每个时期是否发生。
例10.2 通货膨胀和赤字对利率的影响 1948-2019年数据。
i3:三月期国债利率; inf:据消费者价格指数得出的年通货膨胀率 def:联邦赤字占GDP 的百分比 文件:INTDEF.RAW 命令:reg i3 inf def 结果:
Inf与def对于i3的影响在统计上十分显著,即通货膨 胀上升或赤字相对规模的扩大都会提高短期利率。 (但前提是CLM假定成立)
定理10.4(高斯-马尔可夫定理)
在假定TS.1-TS.5下,以X为条件,OLS估计量是最 优线性无偏估计量。
定理10.5(正态抽样分布)
在时间序列的CLM假定TS.1-TS.6下,以X为条件, OLS估计量遵循正态分布。而且,在虚拟假设下,每 个t统计量服从t分布,F统计量服从F分布,通常构造 的置信区间也是确当的。
例10.1 静态菲利普斯曲线 研究失业和通货膨胀之间是否存在替代关系。
H0: 1 0 H1: 1 0 文件:PHILLIPS.RAW 命令:reg inf unem 结果:
上述方程并没有表明unem和inf之间存在替代关系 (因为 ˆ1 0) 分析中可能存在的问题: (1)CLM假定不成立(12章);(2)静态菲利普斯曲 线不是最佳模型(附加预期的菲利普斯曲线)
假定 TS.1(线性于参数)
假定 TS.2(无完全共线性):在样本中,没有任何自变量是恒 定不变的,或者是其他自变量的一个完全线性组合。
假定 TS.3(零条件均值): E(ut X)0,t1,2,,n
假定 TS.4(同方差性): V(u a tX )r V(u a t) r2 ,t 1 ,2 , ,n 该假定意味着,Var(ut X不) 能依赖于X(只要 u和t X相互独立就足够
V(ˆ a jX ) r2[ Sj( S 1 R 2 T j),j ] 1 , ,k
其中, SST是j 的x tj 总平方和, 为R 2j 由 对x j所有其他 自变量回归得到的 R 2
定理10.3( 2的无偏估计)
在假定TS.1-TS.5下,估计量 ˆ2 S是SR/d的f 一 个2 无 偏估计量,其中df=n-k-1
了—满足TS.3即可),且在所有时期都保持不变。
假定 TS.5(无序列相关): Co (utr ,usrX)0, ts
【提问:我们为什么不假定不同横截面观测的误差是无关的呢? 答:前述有随机抽样的假定,则以样本中所有解释变量为条件, 不同观测的误差是独立的。因此,就我们当前目的而言,序列 相关只是时间序列和回归中的一个潜在问题。】
• 规范地,一个标有时间脚标的随机变量序列被称为一 个随机过程(stochastic process)或时间序列过程 (time series process)。
10.2 时间序列回归模型的例子
• 1、静态模型 • 我们将有两个变量(例如y和z)的时间序列数据标注
相同的时期,将这样的y和z联系起来即为一个静态模 型(static model):
两个时期、…j个时期后y的变化—如图10.1)
(2)当z从t期开始永久性提高,一期后y提高了 0 ,1 两期
后y提高了 01。2 这表明,z的当期和滞后系数之和 01,2 等于z的永久
性提高导致y的长期变化,它被称为长期倾向(long-run propensity, LRP)或长期乘数(long-run multiplier)。
第十章 时间序列数据的基本回归分析
10.1 时间序列数据的性质
• 我们应该怎样认识时间序列数据的随机性?
• 回答:很明显,经济时间序列满足作为随机变量结果 所要求的直观条件,这些变量的结果都无法事先预料 到。(例如,我们今天不知道道琼斯工业指数在下一 个交易日收盘时会是多少,我们也不知道加拿大下一 年的年产出增长会是多少。)
相关文档
最新文档